pdf

PDF 処理スキル

PDF の操作に関する専門知識を身につけました。以下のワークフローに従ってください。

PDF の読み取り

オプション 1：テキストをすばやく抽出する（推奨）

# Using pdftotext (poppler-utils)
pdftotext input.pdf -  # Output to stdout
pdftotext input.pdf output.txt  # Output to file

# If pdftotext not available, try:
python3 -c "
import fitz  # PyMuPDF
doc = fitz.open('input.pdf')
for page in doc:
    print(page.get_text())
"

オプション 2：メタデータとともにページごとに読み取る

import fitz  # pip install pymupdf

doc = fitz.open("input.pdf")
print(f"Pages: {len(doc)}")
print(f"Metadata: {doc.metadata}")

for i, page in enumerate(doc):
    text = page.get_text()
    print(f"--- Page {i+1} ---")
    print(text)

PDF の作成

オプション 1：Markdown から作成する（推奨）

# Using pandoc
pandoc input.md -o output.pdf

# With custom styling
pandoc input.md -o output.pdf --pdf-engine=xelatex -V geometry:margin=1in

オプション 2：プログラムで作成する

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("output.pdf", pagesize=letter)
c.drawString(100, 750, "Hello, PDF!")
c.save()

オプション 3：HTML から作成する

# Using wkhtmltopdf
wkhtmltopdf input.html output.pdf

# Or with Python
python3 -c "
import pdfkit
pdfkit.from_file('input.html', 'output.pdf')
"

PDF の結合

import fitz

result = fitz.open()
for pdf_path in ["file1.pdf", "file2.pdf", "file3.pdf"]:
    doc = fitz.open(pdf_path)
    result.insert_pdf(doc)
result.save("merged.pdf")

PDF の分割

import fitz

doc = fitz.open("input.pdf")
for i in range(len(doc)):
    single = fitz.open()
    single.insert_pdf(doc, from_page=i, to_page=i)
    single.save(f"page_{i+1}.pdf")

主なライブラリ

タスク	ライブラリ	インストール
読み取り／書き込み／結合	PyMuPDF	pip install pymupdf
ゼロから作成	ReportLab	pip install reportlab
HTML から PDF へ変換	pdfkit	pip install pdfkit + wkhtmltopdf
テキスト抽出	pdftotext	brew install poppler / apt install poppler-utils

ベストプラクティス

1. 使用する前に、ツールがインストールされていることを必ず確認してください
2. エンコーディングの問題に対処してください - PDF にはさまざまな文字エンコーディングが含まれている場合があります
3. 大きな PDF の場合：メモリ不足を避けるため、ページごとに処理してください
4. スキャンした PDF の OCR：テキスト抽出の結果が空の場合は、pytesseract を使用してください