PDF 处理指南

概述

本指南涵盖使用 Python 库和命令行工具进行的基本 PDF 处理操作。有关高级功能、JavaScript 库和详细示例，请参阅 reference.md。如果需要填写 PDF 表单，请阅读 forms.md 并按照其说明操作。

快速开始

python
1from pypdf import PdfReader, PdfWriter
2
3# 读取 PDF
4reader = PdfReader("document.pdf")
5print(f"页数: {len(reader.pages)}")
6
7# 提取文本
8text = ""
9for page in reader.pages:
10    text += page.extract_text()

Python 库

pypdf - 基本操作

合并 PDF

python
1from pypdf import PdfWriter, PdfReader
2
3writer = PdfWriter()
4for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
5    reader = PdfReader(pdf_file)
6    for page in reader.pages:
7        writer.add_page(page)
8
9with open("merged.pdf", "wb") as output:
10    writer.write(output)

拆分 PDF

python
1reader = PdfReader("input.pdf")
2for i, page in enumerate(reader.pages):
3    writer = PdfWriter()
4    writer.add_page(page)
5    with open(f"page_{i+1}.pdf", "wb") as output:
6        writer.write(output)

提取元数据

python
1reader = PdfReader("document.pdf")
2meta = reader.metadata
3print(f"标题: {meta.title}")
4print(f"作者: {meta.author}")
5print(f"主题: {meta.subject}")
6print(f"创建者: {meta.creator}")

旋转页面

python
1reader = PdfReader("input.pdf")
2writer = PdfWriter()
3
4page = reader.pages[0]
5page.rotate(90)  # 顺时针旋转90度
6writer.add_page(page)
7
8with open("rotated.pdf", "wb") as output:
9    writer.write(output)

pdfplumber - 文本和表格提取

提取带布局的文本

python
1import pdfplumber
2
3with pdfplumber.open("document.pdf") as pdf:
4    for page in pdf.pages:
5        text = page.extract_text()
6        print(text)

提取表格

python
1with pdfplumber.open("document.pdf") as pdf:
2    for i, page in enumerate(pdf.pages):
3        tables = page.extract_tables()
4        for j, table in enumerate(tables):
5            print(f"第 {i+1} 页的表格 {j+1}:")
6            for row in table:
7                print(row)

高级表格提取

python
1import pandas as pd
2
3with pdfplumber.open("document.pdf") as pdf:
4    all_tables = []
5    for page in pdf.pages:
6        tables = page.extract_tables()
7        for table in tables:
8            if table:  # 检查表格是否为空
9                df = pd.DataFrame(table[1:], columns=table[0])
10                all_tables.append(df)
11
12# 合并所有表格
13if all_tables:
14    combined_df = pd.concat(all_tables, ignore_index=True)
15    combined_df.to_excel("extracted_tables.xlsx", index=False)

reportlab - 创建 PDF

基本 PDF 创建

python
1from reportlab.lib.pagesizes import letter
2from reportlab.pdfgen import canvas
3
4c = canvas.Canvas("hello.pdf", pagesize=letter)
5width, height = letter
6
7# 添加文本
8c.drawString(100, height - 100, "Hello World!")
9c.drawString(100, height - 120, "这是用 reportlab 创建的 PDF")
10
11# 添加线条
12c.line(100, height - 140, 400, height - 140)
13
14# 保存
15c.save()

创建多页 PDF

python
1from reportlab.lib.pagesizes import letter
2from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
3from reportlab.lib.styles import getSampleStyleSheet
4
5doc = SimpleDocTemplate("report.pdf", pagesize=letter)
6styles = getSampleStyleSheet()
7story = []
8
9# 添加内容
10title = Paragraph("报告标题", styles['Title'])
11story.append(title)
12story.append(Spacer(1, 12))
13
14body = Paragraph("这是报告的正文内容。" * 20, styles['Normal'])
15story.append(body)
16story.append(PageBreak())
17
18# 第2页
19story.append(Paragraph("第2页", styles['Heading1']))
20story.append(Paragraph("第2页的内容", styles['Normal']))
21
22# 构建 PDF
23doc.build(story)

命令行工具

pdftotext (poppler-utils)

bash
1# 提取文本
2pdftotext input.pdf output.txt
3
4# 提取文本并保留布局
5pdftotext -layout input.pdf output.txt
6
7# 提取指定页面
8pdftotext -f 1 -l 5 input.pdf output.txt  # 第1-5页

qpdf

bash
1# 合并 PDF
2qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
3
4# 拆分页面
5qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
6qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
7
8# 旋转页面
9qpdf input.pdf output.pdf --rotate=+90:1  # 将第1页旋转90度
10
11# 移除密码
12qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk（如果可用）

bash
1# 合并
2pdftk file1.pdf file2.pdf cat output merged.pdf
3
4# 拆分
5pdftk input.pdf burst
6
7# 旋转
8pdftk input.pdf rotate 1east output rotated.pdf

常见任务

从扫描的 PDF 提取文本

python
1# 需要安装: pip install pytesseract pdf2image
2import pytesseract
3from pdf2image import convert_from_path
4
5# 将 PDF 转换为图像
6images = convert_from_path('scanned.pdf')
7
8# 对每一页进行 OCR 识别
9text = ""
10for i, image in enumerate(images):
11    text += f"第 {i+1} 页:\n"
12    text += pytesseract.image_to_string(image)
13    text += "\n\n"
14
15print(text)

添加水印

python
1from pypdf import PdfReader, PdfWriter
2
3# 创建水印（或加载现有的）
4watermark = PdfReader("watermark.pdf").pages[0]
5
6# 应用到所有页面
7reader = PdfReader("document.pdf")
8writer = PdfWriter()
9
10for page in reader.pages:
11    page.merge_page(watermark)
12    writer.add_page(page)
13
14with open("watermarked.pdf", "wb") as output:
15    writer.write(output)

提取图像

bash
1# 使用 pdfimages (poppler-utils)
2pdfimages -j input.pdf output_prefix
3
4# 这会将所有图像提取为 output_prefix-000.jpg、output_prefix-001.jpg 等

密码保护

python
1from pypdf import PdfReader, PdfWriter
2
3reader = PdfReader("input.pdf")
4writer = PdfWriter()
5
6for page in reader.pages:
7    writer.add_page(page)
8
9# 添加密码
10writer.encrypt("userpassword", "ownerpassword")
11
12with open("encrypted.pdf", "wb") as output:
13    writer.write(output)

快速参考

后续步骤

• 有关 pypdfium2 的高级用法，请参阅 reference.md
• 有关 JavaScript 库（pdf-lib），请参阅 reference.md
• 如果需要填写 PDF 表单，请按照 forms.md 中的说明操作
• 有关故障排除指南，请参阅 reference.md