pdf

PDF Guide de traitement

Présentation

Ce guide couvre les opérations de traitement essentielles d'PDF s à l'aide de bibliothèques Python et d'outils en ligne de commande. Pour les fonctionnalités avancées, les bibliothèques JavaScript et des exemples détaillés, consultez REFERENCE.md. Si vous devez remplir un formulaire PDF, lisez FORMS.md et suivez les instructions qui y figurent.

Démarrage rapide

from pypdf import PdfReader, Pdf Writer# Lire un PDF
reader = PdfReader("document.pdf")
print(f"Pages : {len(reader.pages)}")# Extraire le texte
text = ""
for page in reader.pages:
    text += page.extract_text()

Bibliothèques Python

pypdf - Opérations de base

Fusionner des fichiers « PDFs»

from pypdf import PdfWriter, PdfReader writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
   for page in reader.pages:
        writer.add_page(page)with open("merged.pdf", "wb") as output:
    writer.write(output)

Fusionner PDF

reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as output:
        writer.write(output)

Extraire les métadonnées

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Titre : {meta.title}")
print(f"Auteur : {meta.author}")
print(f"Sujet : {meta.subject}")
print(f"Créateur : {meta.creator}")

Faire pivoter les pages

reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90)  # Rotation de 90 degrés dans le sens des aiguilles d'une montre
writer.add_page(page)with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - Extraction de texte et de tableaux

Extraction de texte avec mise en page

import pdfplumberwith pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

Extraire les tableaux

avec pdfplumber.open("document.pdf") as pdf:
    for i, page in enumerate(pdf.pages) :
        tables = page.extract_tables()
        for j, table in enumerate(tables):
            print(f"Tableau {j+1} à la page {i+1}:")
            for row in table:
                print(row)

Extraction avancée de tableaux

import pandas aspdwith pdfplumber.open("document.pdf") as pdf:
    all_tables = []
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # Vérifier que le tableau n'est pas vide
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)# Combiner toutes les tables
if all_tables:
    combined_df = pd.concat(all_tables,ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx",index=False)

reportlab - Créer des fichiers « PDFs»

Création d’un document « PDF » de base

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# Ajouter du texte
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "Ceci est un PDF créé avec reportlab")# Ajouter une ligne
c.line(100, height - 140, 400, height - 140)# Enregistrer
c.save()

Créer un PDF e comportant plusieurs pages

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheetdoc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []# Ajouter du contenu
title = Paragraph("Titre du rapport", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("Ceci est le corps du rapport. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Page 2
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Contenu de la page 2", styles['Normal']))# Générer l'PDF
doc.build(story)

Indices et exposants

IMPORTANT: N’utilisez jamais les caractères Unicode en indice ou en exposant (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) dans les documents ReportLab PDF. Les polices intégrées ne contiennent pas ces glyphes, ce qui entraîne leur affichage sous forme de carrés noirs pleins.

Utilisez plutôt les balises XML de ReportLab dans les objets Paragraph :

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Indices : utilisez la balise  chemical = Paragraph("H2O", styles['Normal'])# Exposants : utilisez la balise  squared = Paragraph("x² +y²", styles['Normal'])

Pour le texte dessiné sur le canevas (et non les objets Paragraph), ajustez manuellement la taille et la position de la police plutôt que d’utiliser les indices et exposants Unicode.

Outils en ligne de commande

pdftotext (poppler-utils)

# Extraire du texte
pdftotext input.pdf output.txt# Extraire du texte en conservant la mise en page
pdftotext -layout input.pdf output.txt# Extraire des pages spécifiques
pdftotext -f 1 -l 5 input.pdf output.txt  # Pages 1 à 5

qpdf

# Fusionner des pages PDFqpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Diviser les pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Faire pivoter les pages
qpdf input.pdf output.pdf --rotate=+90:1  # Faire pivoter la page 1 de 90 degrés# Supprimer le mot de passe
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (si disponible)

# Fusionner
pdftk file1.pdf file2.pdf cat output merged.pdf# Diviser
pdftk input.pdf  burst# Faire pivoter
pdftk input.pdf rotate 1east output rotated.pdf

Tâches courantes

Extraire du texte à partir d’ PDFs numérisées

# Pré-requis : pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# Convertir des fichiers « PDF » en images
images = convert_from_path('scanned.pdf')# Effectuer la reconnaissance optique de caractères (OCR) sur chaque page
text = ""
for i, image in enumerate(images):
    text += f"Page {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"print(text)

Ajouter un filigrane

from pypdf import PdfReader, Pdf Writer# Créer un filigrane (ou charger un filigrane existant)
watermark = PdfReader("watermark.pdf").pages[0]# Appliquer à toutes les pages
reader = PdfReader("document.pdf")
writer = PdfWriter()for page in reader.pages:
    page.merge_page(filigrane)
    writer.add_page(page)with open("watermarked.pdf", "wb") as output:
    writer.write(output)

Extraire les images

# Utilisation de la commande « pdf» (poppler-utils)
pdfimages -j input.pdf  output_prefix# Cela extrait toutes les images sous la forme output_prefix-000.jpg, output_prefix-001.jpg, etc.

Protection par mot de passe

from pypdf import PdfReader, PdfWriterreader = PdfReader("input.pdf")
writer = PdfWriter()for page in reader.pages:
    writer.add_page(page)# Ajouter un mot de passe
writer.encrypt("userpassword", "ownerpassword")with open("encrypted.pdf", "wb") as output:
    writer.write(output)

Référence rapide

Étapes suivantes

• Pour une utilisation avancée de pypdfium2, consultez REFERENCE.md
• Pour les bibliothèques JavaScript (pdf-lib), consultez REFERENCE.md
• Si vous devez remplir un formulaire d'PDF, suivez les instructions fournies dans FORMS.md
• Pour les guides de dépannage, consultez REFERENCE.md