pdf

PDF Руководство по обработке

Обзор

В данном руководстве описаны основные операции по обработке данных PDF с использованием библиотек Python и инструментов командной строки. Информацию о расширенных функциях, библиотеках JavaScript и подробных примерах см. в файле REFERENCE.md. Если вам необходимо заполнить форму PDF, ознакомьтесь с файлом FORMS.md и следуйте приведенным в нем инструкциям.

Быстрый старт

from pypdf import PdfReader, Pdf Writer# Чтение файла PDF
reader = PdfReader("document.pdf")
print(f"Страниц: {len(reader.pages)}")# Извлечение текста
text = ""
for page in reader.pages:
    text += page.extract_text()

Библиотеки Python

pypdf — основные операции

Объединение файлов PDF

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)

Разделение 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)

Извлечение метаданных

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Название: {meta.title}")
print(f"Автор: {meta.author}")
print(f"Тема: {meta.subject}")
print(f"Создатель: {meta.creator}")

Поворот страниц

reader = PdfReader("input.pdf")
writer = PdfWriter()page = reader.pages[0]
page.rotate(90)  # Поворот на 90 градусов по часовой стрелке
writer.add_page(page)with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber — извлечение текста и таблиц

Извлечение текста с сохранением макета

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

Извлечение таблиц

с помощью 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"Таблица {j+1} на странице {i+1}:")
            for row in table:
                print(row)

Расширенное извлечение таблиц

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:  # Проверка, не пуста ли таблица
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)# Объединение всех таблиц
if all_tables:
    combined_df = pd.concat(all_tables,ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx",index=False)

reportlab — Создание файлов PDF

Создание базового документа формата « PDF »

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# Добавление текста
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")# Добавление линии
c.line(100, height - 140, 400, height - 140)# Сохранение
c.save()

Создание документа формата « PDF » с несколькими страницами

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 = []# Добавление содержимого
title = Paragraph("Название отчета", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))body = Paragraph("Это основной текст отчета. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())# Страница 2
story.append(Paragraph("Страница 2", styles['Heading1']))
story.append(Paragraph("Содержание страницы 2", styles['Normal']))# Сборка документа PDF
doc.build(story)

Индексы и надстрочные индексы

ВАЖНО: Никогда не используйте символы нижнего и верхнего индекса в формате Unicode (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) в документах ReportLab PDF. Встроенные шрифты не содержат этих глифов, в результате чего они отображаются в виде сплошных чёрных квадратов.

Вместо этого используйте теги XML-разметки ReportLab в объектах Paragraph:

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheetstyles = getSampleStyleSheet()# Нижние индексы: используйте тег  chemical = Paragraph("H2O", styles['Normal'])# Надстрочные индексы: используйте тег  squared = Paragraph("x2 +y2", styles['Normal'])

Для текста, нарисованного на холсте (а не объектов Paragraph), вручную настройте размер и положение шрифта, а не используйте нижние и верхние индексы Unicode.

Инструменты командной строки

pdftotext (poppler-utils)

# Извлечение текста
pdftotext input.pdf output.txt# Извлечение текста с сохранением верстки
pdftotext -layout input.pdf output.txt# Извлечение определённых страниц
pdftotext -f 1 -l 5 input.pdf output.txt  # Страницы 1–5

qpdf

# Объединение PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf# Разделение страниц
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf# Поворот страниц
qpdf input.pdf output.pdf --rotate=+90:1  # Поворот страницы 1 на 90 градусов# Удаление пароля
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (если доступно)

# Объединение
pdftk file1.pdf file2.pdf cat output merged.pdf# Разделение
pdftk input.pdf  burst# Поворот
pdftk input.pdf rotate 1east output rotated.pdf

Распространенные задачи

Извлечение текста из отсканированных изображений PDF

# Требуется: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path# Преобразование PDF в изображения
images = convert_from_path('scanned.pdf')# Оптическое распознавание текста (OCR) каждой страницы
text = ""
for i, image in enumerate(images):
    text += f"Страница {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"print(text)

Добавить водяной знак

from pypdf import PdfReader, Pdf Writer# Создать водяной знак (или загрузить существующий)
watermark = PdfReader("watermark.pdf").pages[0]# Применить ко всем страницам
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)

Извлечение изображений

# Использование команды « pdf» (poppler-utils)
pdfimages -j input.pdf  output_prefix# При этом все изображения будут извлечены с именами output_prefix-000.jpg, output_prefix-001.jpg и т. д.

Защита паролем

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

Краткое руководство

Следующие шаги

• Для получения информации о расширенных возможностях библиотеки pypdfium2 см. файл REFERENCE.md
• Информацию о библиотеках JavaScript (pdf-lib) см. в файле REFERENCE.md
• Если вам нужно заполнить форму PDF, следуйте инструкциям в файле FORMS.md
• Руководства по устранению неполадок см. в файле REFERENCE.md