このスキルは、ユーザーがPDFファイルに対して何らかの操作を行いたいときにいつでも使用できます。 これには、PDFからのテキストや表の読み取り・抽出、複数のPDFを1つに結合・統合、PDFの分割、ページの回転、透かしの追加、新しいPDFの作成、PDFフォームへの入力、PDFの暗号化・復号化、画像の抽出、スキャンされたPDFへのOCR処理による検索機能の付与などが含まれます。 ユーザーが.pdfファイルについて言及したり、その作成を依頼したりした場合は、このスキルを使用してください。
...すべて拡張しますPDF 処理ガイド
概要
このガイドでは、Pythonライブラリやコマンドラインツールを使用したPDF の基本的な処理操作について解説します。高度な機能、JavaScriptライブラリ、および詳細な例については、REFERENCE.mdを参照してください。PDF フォームへの記入が必要な場合は、FORMS.mdを読み、その指示に従ってください。
クイックスタート
frompypdf import PdfReader,Pdf Writer#PDF を読み込む
reader=PdfReader("document.pdf")
print(f"Pages:{len(reader.pages)}")# テキストを抽出
text =""
forpageinreader.pages:
text += page.extract_text()
Pythonライブラリ
pypdf - 基本操作
PDFの結合
frompypdf import PdfWriter,PdfReaderwriter =PdfWriter()
for pdf_filein["doc1.pdf","doc2.pdf","doc3.pdf"]:
reader =PdfReader(pdf_file)
forpageinreader.pages:
writer.add_page(page)with open("merged.pdf","wb")asoutput:
writer.write(output)
分割PDF
reader =PdfReader("input.pdf")
fori, pagein enumerate(reader.pages):
writer =PdfWriter()
writer.add_page(page)
with open(f"page_{i+1}.pdf","wb")asoutput:
writer.write(output)
メタデータの抽出
reader =PdfReader("document.pdf")
meta = reader.metadata
print(f"タイトル:{meta.title}")
print(f"著者:{meta.author}")
print(f"主題:{meta.subject}")
print(f"作成者:{meta.creator}")
ページの回転
pdfreader =PdfReader("input.pdf")
writer =PdfWriter()page = reader.pages[0]
page.rotate(90) # 時計回りに90度回転
writer.add_page(page)with open("rotated. ","wb")asoutput:
writer.write(output)
pdfplumber - テキストおよび表の抽出
レイアウト付きテキストの抽出
import pdfplumberwith pdfplumber.open("document.pdf")as pdf:
forpagein pdf.pages:
text = page.extract_text()
print(text)
表の抽出
pdfplumber.open("document.pdf")as pdf:
fori, pagein enumerate(pdf.pages):
tables = page.extract_tables()
forj, tablein enumerate(tables):
print(f"ページ{i+1} の表{j+1}:")
forrowintable:
print(row)
高度な表の抽出
importpandasaspdwith pdfplumber.open("document.pdf")as pdf:
all_tables = []
forpagein pdf.pages:
tables = page.extract_tables()
fortableintables:
iftable: # テーブルが空でないか確認
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)# すべてのテーブルを結合
ifall_tables:
combined_df = pd.concat(all_tables,ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx",index=False)
reportlab -PDFの作成
PDF の基本作成
fromreportlab.lib.pagesizesimportletter
fromreportlab.pdfgenimportcanvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# テキストの追加
c.drawString(100, height -100,"Hello World!")
c.drawString(100, height -120,"This is aPDF created with reportlab")# 線を追加
c.line(100, height -140,400, height -140)# 保存
c.save()
複数ページからなるPDF を作成する
fromreportlab.lib.pagesizesimportletter
fromreportlab.platypusimportSimpleDocTemplate, Paragraph, Spacer, PageBreak
fromreportlab.lib.stylesimportgetSampleStyleSheetdoc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []# コンテンツを追加
title = Paragraph("レポートタイトル", styles['Title'])
story.append(title)
story.append(Spacer(1,12))body = Paragraph("これはレポートの本文です。 "*20, styles['Normal'])
story.append(body)
story.append(PageBreak())# 2ページ目
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("2ページ目の内容", styles['Normal']))#PDF の生成
doc.build(story)
下付き文字と上付き文字
重要: ReportLabのPDFでは、Unicodeの下付き文字・上付き文字(₀₁₂₃₄₅₆₇₈₉、⁰¹²³⁴⁵⁶⁷⁸⁹)を絶対に使用しないでください。組み込みフォントにはこれらのグリフが含まれていないため、表示時に真っ黒な四角としてレンダリングされてしまいます。
代わりに、Paragraph オブジェクト内で ReportLab の XML マークアップタグを使用してください:
fromreportlab.platypusimportParagraph
fromreportlab.lib.stylesimportgetSampleStyleSheetstyles = getSampleStyleSheet()# 下付き文字: タグを使用
chemical = Paragraph("H2O", styles['Normal'])# 上付き文字: タグを使用
squared = Paragraph("x2 +y2 ", styles['Normal'])
キャンバス上に描画されたテキスト(Paragraph オブジェクト以外)については、Unicode の下付き文字や上付き文字を使用するのではなく、フォントサイズや位置を手動で調整してください。
コマンドラインツール
pdftotext (poppler-utils)
# テキストの抽出
pdftotext input.pdf output.txt# レイアウトを維持してテキストを抽出
pdftotext -layout input.pdf output.txt# 特定のページを抽出
pdftotext -f 1 -l 5 input.pdf output.txt # 1~5ページ
qpdf
#PDFを結合
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# ページの分割
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# ページの回転
qpdf 入力。pdf 出力。pdf --rotate=+90:1 # 1ページ目を90度回転させる# パスワードの削除
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk(利用可能な場合)
# 結合
pdftk file1.pdf file2.pdf catoutput merged.pdf# 分割
pdftk input.pdf burst# 回転
pdftk input.pdf rotate 1east output rotated.pdf
一般的なタスク
スキャンしたPDFからテキストを抽出
# 必要条件: pip install pytesseractpdf2image
importpytesseract
from pdf2imageimport convert_from_path# 「PDF 」を画像に変換
images = convert_from_path('scanned.pdf')# 各ページのOCR処理
text =""
fori, imagein enumerate(images):
text +=f"ページ{i+1}:\n"
text += pytesseract.image_to_string(image)
text +="\n\n"print(text)
透かしを追加
frompypdf import PdfReader,Pdf Writer# 透かしを作成(または既存のものを読み込み)
watermark =PdfReader("watermark.pdf").pages[0]# すべてのページに適用
reader =PdfReader("document.pdf")
writer =PdfWriter()forpageinreader.pages:
page.merge_page(watermark)
writer.add_page(page)with open("watermarked.pdf","wb")asoutput:
writer.write(output)
画像の抽出
# `pdf` コマンドの使用 (poppler-utils)
pdfimages -j input.pdf output_prefix# これにより、すべての画像が output_prefix-000.jpg、output_prefix-001.jpg などの形式で抽出されます。
パスワード保護
frompypdf import PdfReader,PdfWriterreader =PdfReader("input.pdf")
writer =PdfWriter()forpageinreader.pages:
writer.add_page(page)# パスワードを追加
writer.encrypt("userpassword","ownerpassword")with open("encrypted.pdf","wb")asoutput:
writer.write(output)
クイックリファレンス
次のステップ
- pypdfium2 の高度な使用方法については、REFERENCE.md を参照してください。
- JavaScript ライブラリ(pdf-lib)については、REFERENCE.md を参照してください
- PDF のフォームへの入力が必要な場合は、FORMS.mdの手順に従ってください
- トラブルシューティングガイドについては、REFERENCE.mdを参照してください
PDF Processing Guide
Overview
This guide covers essential PDF processing operations using Python libraries and command-line tools. For advanced features, JavaScript libraries, and detailed examples, see REFERENCE.md. If you need to fill out a PDF form, read FORMS.md and follow its instructions.
Quick Start
from pypdf import PdfReader, PdfWriter# Read a PDF
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")# Extract text
text = ""
for page in reader.pages:
text += page.extract_text()
Python Libraries
pypdf - Basic Operations
Merge PDFs
from pypdf import PdfWriter, PdfReaderwriter = 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)
Split 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)
Extract Metadata
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Subject: {meta.subject}")
print(f"Creator: {meta.creator}")
Rotate Pages
reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90) # Rotate 90 degrees clockwise
writer.add_page(page)with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - Text and Table Extraction
Extract Text with Layout
import pdfplumberwith pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Extract Tables
with 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"Table {j+1} on page {i+1}:")
for row in table:
print(row)
Advanced Table Extraction
import pandas as pdwith pdfplumber.open("document.pdf") as pdf:
all_tables = []
for page in pdf.pages:
tables = page.extract_tables()
for table in tables:
if table: # Check if table is not empty
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)# Combine all tables
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - Create PDFs
Basic PDF Creation
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvasc = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# Add text
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")# Add a line
c.line(100, height - 140, 400, height - 140)# Save
c.save()
Create PDF with Multiple 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 = []# Add content
title = Paragraph("Report Title", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("This is the body of the report. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Page 2
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Content for page 2", styles['Normal']))# Build PDF
doc.build(story)
Subscripts and Superscripts
IMPORTANT: Never use Unicode subscript/superscript characters (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) in ReportLab PDFs. The built-in fonts do not include these glyphs, causing them to render as solid black boxes.
Instead, use ReportLab's XML markup tags in Paragraph objects:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Subscripts: use <sub> tag
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])# Superscripts: use <super> tag
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
For canvas-drawn text (not Paragraph objects), manually adjust font the size and position rather than using Unicode subscripts/superscripts.
Command-Line Tools
pdftotext (poppler-utils)
# Extract text
pdftotext input.pdf output.txt# Extract text preserving layout
pdftotext -layout input.pdf output.txt# Extract specific pages
pdftotext -f 1 -l 5 input.pdf output.txt # Pages 1-5
qpdf
# Merge PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Split pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Rotate pages
qpdf input.pdf output.pdf --rotate=+90:1 # Rotate page 1 by 90 degrees# Remove password
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (if available)
# Merge
pdftk file1.pdf file2.pdf cat output merged.pdf# Split
pdftk input.pdf burst# Rotate
pdftk input.pdf rotate 1east output rotated.pdf
Common Tasks
Extract Text from Scanned PDFs
# Requires: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# Convert PDF to images
images = convert_from_path('scanned.pdf')# OCR each 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)
Add Watermark
from pypdf import PdfReader, PdfWriter# Create watermark (or load existing)
watermark = PdfReader("watermark.pdf").pages[0]# Apply to all pages
reader = PdfReader("document.pdf")
writer = PdfWriter()for page in reader.pages:
page.merge_page(watermark)
writer.add_page(page)with open("watermarked.pdf", "wb") as output:
writer.write(output)
Extract Images
# Using pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix# This extracts all images as output_prefix-000.jpg, output_prefix-001.jpg, etc.
Password Protection
from pypdf import PdfReader, PdfWriterreader = PdfReader("input.pdf")
writer = PdfWriter()for page in reader.pages:
writer.add_page(page)# Add password
writer.encrypt("userpassword", "ownerpassword")with open("encrypted.pdf", "wb") as output:
writer.write(output)
Quick Reference
Next Steps
- For advanced pypdfium2 usage, see REFERENCE.md
- For JavaScript libraries (pdf-lib), see REFERENCE.md
- If you need to fill out a PDF form, follow the instructions in FORMS.md
- For troubleshooting guides, see REFERENCE.md
pdfをインストール
スキルファイルをダウンロードし、.claude/skills/ ディレクトリに解凍してください。
ZIPをダウンロードリポジトリをクローンし、スキルファイルをプロジェクトにコピーしてください。
git clone https://github.com/anthropics/skills/tree/main/skills/pdf # Copy the skill folder to .claude/skills/ or .codex/skills/
コピー





家
