pdf

PDF Guia de processamento

Visão geral

Este guia aborda as principais operações de processamento do PDF utilizando bibliotecas Python e ferramentas de linha de comando. Para recursos avançados, bibliotecas JavaScript e exemplos detalhados, consulte REFERENCE.md. Se você precisar preencher um formulário PDF, leia FORMS.md e siga as instruções nele contidas.

Introdução rápida

from pypdf import PdfReader, Pdf Writer# Ler um PDF
reader = PdfReader("document.pdf")
print(f"Páginas: {len(reader.pages)}")# Extrair texto
text = ""
for page in reader.pages:
    text += page.extract_text()

Bibliotecas do Python

pypdf - Operações básicas

Mesclar arquivos do PDF

from pypdf import PdfWriter, PdfReader writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
   para página em reader.pages:
        writer.add_page(página)com open("merged.pdf", "wb") como saída:
    writer.write(saída)

Dividir PDF

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

Extrair metadados

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Título: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Assunto: {meta.subject}")
print(f"Criador: {meta.creator}")

Girar páginas

reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90)  # Girar 90 graus no sentido horário
writer.add_page(page)with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - Extração de texto e tabelas

Extrair texto com layout

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

Extrair tabelas

com pdfplumber.open("document.pdf") as pdf:
    para i, página em enumerate(pdf.pages):
        tables = page.extract_tables()
        for j, table in enumerate(tables):
            print(f"Tabela {j+1} na página {i+1}:")
            for row in table:
                print(row)

Extração avançada de tabelas

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:  # Verifica se a tabela não está vazia
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)# Combinar todas as tabelas
if all_tables:
    combined_df = pd.concat(all_tables,ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx",index=False)

reportlab - Criar PDFs

Criação básica de PDF

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter# Adicionar texto
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "Este é um PDF criado com o reportlab")# Adicionar uma linha
c.line(100, height - 140, 400, height - 140)# Salvar
c.save()

Criar um PDF o com várias páginas

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 = []# Adicionar conteúdo
title = Paragraph("Título do relatório", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("Este é o corpo do relatório. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Página 2
story.append(Paragraph("Página 2", styles['Heading1']))
story.append(Paragraph("Conteúdo da página 2", styles['Normal']))# Gerar um PDF
doc.build(story)

Subscritos e sobrescritos

IMPORTANTE: Nunca use caracteres de subscrito/superescrito Unicode (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) em documentos do ReportLab PDF. As fontes integradas não incluem esses glifos, fazendo com que sejam exibidos como caixas pretas sólidas.

Em vez disso, use as tags de marcação XML do ReportLab em objetos Paragraph:

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Subscritos: use a tag  chemical = Paragraph("H2O", styles['Normal'])# Extrusos: use a tag  squared = Paragraph("x² +y²", styles['Normal'])

Para texto desenhado na tela (não objetos Paragraph), ajuste manualmente o tamanho e a posição da fonte, em vez de usar subíndices/superíndices Unicode.

Ferramentas de linha de comando

pdftotext (poppler-utils)

# Extrair textopdftotext input.pdf output.txt# Extrair texto preservando o layoutpdftotext -layout input.pdf output.txt# Extrair páginas específicaspdftotext -f 1 -l 5 input.pdf output.txt  # Páginas 1-5

qpdf

# Mesclar PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Dividir páginas
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Girar páginas
qpdf entrada.pdf saída.pdf --rotate=+90:1  # Girar a página 1 em 90 graus# Remover senha
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (se disponível)

# Mesclar
pdftk file1.pdf file2.pdf cat output merged.pdf# Dividir
pdftk input.pdf  burst# Girar
pdftk input.pdf rotate 1east output rotated.pdf

Tarefas comuns

Extrair texto de imagens digitalizadas PDFs

# Requisitos: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# Converter PDF em imagens
images = convert_from_path('scanned.pdf')# Fazer OCR em cada página
text = ""
for i, image in enumerate(images):
    text += f"Página {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"print(text)

Adicionar marca d’água

from pypdf import PdfReader, Pdf Writer# Criar marca d’água (ou carregar uma existente)
watermark = PdfReader("watermark.pdf").pages[0]# Aplicar a todas as páginas
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)

Extrair imagens

# Usando o comando ` pdf` (poppler-utils)pdfimagens -j entrada.pdf  prefixo_de_saída# Isso extrai todas as imagens como prefixo_de_saída-000.jpg, prefixo_de_saída-001.jpg, etc.

Proteção por senha

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

Referência rápida

Próximos passos

• Para uso avançado do pypdfium2, consulte REFERENCE.md
• Para bibliotecas JavaScript (pdf-lib), consulte REFERENCE.md
• Se precisar preencher um formulário do PDF, siga as instruções em FORMS.md
• Para guias de solução de problemas, consulte REFERENCE.md