Pdf

PDF 处理指南

🎯 加载完整 PAI 上下文

使用此技能开始任何任务前，请加载完整的 PAI 上下文：

read ~/.claude/PAI/SKILL.md

这将提供以下内容：

• 完整的联系人列表（Angela、Bunny、Saša、Greg、团队成员）
• 技术栈偏好（TypeScript>Python、bun>npm、uv>pip）
• 安全规则和代码库安全协议
• 响应格式要求（结构化表情符号格式）
• Agent 路由的语音 ID（ElevenLabs）
• 个人偏好和操作说明

何时启用此技能

PDF 任务直接触发条件

• 用户想要创建新的 PDF 文档
• 用户想要合并多个 PDF，或将多个 PDF 组合、串联
• 用户想要将 PDF 拆分或分隔成单独的页面/章节
• 用户提到“从 PDF 提取文本”“PDF 文本提取”
• 用户提到“从 PDF 提取表格”“PDF 表格”
• 用户想要“填写 PDF 表单”“PDF 表单填写”
• 用户提到“OCR”“扫描版 PDF”或“扫描件转文本”
• 用户想要添加水印、密码保护或加密
• 用户想要从 PDF 中提取图像
• 用户想要旋转页面或操作 PDF 结构

上下文触发条件

• 用户提供了用于处理的 .pdf 文件路径
• 用户提到表单填写自动化或批量 PDF 处理
• 用户需要以编程方式大规模处理 PDF

🔀 PDF 工作流路由

此技能支持多种 PDF 处理工作流：

创建工作流

触发词：“创建 PDF”“生成 PDF”“制作 PDF”“从数据生成 PDF”

**工具：**reportlab（Python） **文档：**第 136-181 行（SKILL.md）

使用场景：

• 从头创建新的 PDF
• 以编程方式生成报告
• 包含文本和图形的多页文档
• 根据模板或数据生成 PDF

合并/拆分工作流

触发词：“合并 PDF”“组合 PDF”“拆分 PDF”“分隔页面”

**工具：**pypdf（Python）、qpdf（CLI） **文档：**第 46-68 行（SKILL.md）、第 199-211 行（qpdf）

使用场景：

• 将多个 PDF 合并成一个文档
• 将 PDF 拆分成单独页面或页面范围
• 重新排列 PDF 页面顺序
• 提取特定页面范围

文本提取工作流

触发词：“提取文本”“PDF 转文本”“读取 PDF 内容”

**工具：**pdfplumber（Python）、pdftotext（CLI） **文档：**第 95-103 行（pdfplumber）、第 186-196 行（pdftotext）

使用场景：

• 在保留版式的同时提取文本
• 将 PDF 转换为纯文本
• 从多个 PDF 批量提取文本
• 提取元数据

表格提取工作流

触发词：“提取表格”“PDF 表格”“从 PDF 提取表格数据”

**工具：**pdfplumber + pandas（Python） **文档：**第 106-133 行（SKILL.md）

使用场景：

• 将结构化表格数据提取到 Excel/CSV
• 从 PDF 报告中提取财务数据
• 将 PDF 表格转换为数据框
• 提取并合并多个表格

表单填写工作流

触发词：“填写 PDF 表单”“PDF 表单填写”“完成 PDF 表单”

**工具：**pdf-lib（JavaScript）或 pypdf（Python） **文档：**forms.md（完整指南）

使用场景：

• 以编程方式填写表单
• 批量处理表单
• 基于模板生成 PDF
• 从数据源填充表单字段

OCR 工作流

触发词：“OCR”“扫描版 PDF”“从扫描件提取文本”“图像转文本”

**工具：**pytesseract + pdf2image（Python） **文档：**第 227-244 行（SKILL.md）

使用场景：

• 从扫描文档中提取文本
• 处理基于图像的 PDF
• 将扫描表单转换为可编辑文本
• 将旧版文档数字化

操作工作流

触发词：“水印”“密码保护”“加密 PDF”“旋转页面”“提取图像”

**工具：**pypdf（Python）、pdfimages（CLI） **文档：**第 246-288 行（SKILL.md）

使用场景：

• 为 PDF 添加水印
• 密码保护和加密
• 页面旋转和变换
• 从 PDF 中提取图像

概述

本指南介绍使用 Python 库和命令行工具进行 PDF 处理的基本操作。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 并按照其中的说明操作。

快速入门

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 库

pypdf - 基本操作

合并 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)

拆分 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)

提取元数据

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}")

旋转页面

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 - 文本和表格提取

按布局提取文本

import pdfplumber

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

提取表格

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)

高级表格提取

import pandas as pd

with 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 - 创建 PDF

创建基本 PDF

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

c = 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()

创建多页 PDF

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet

doc = 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)

命令行工具

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（如果可用）

# Merge
pdftk file1.pdf file2.pdf cat output merged.pdf

# Split
pdftk input.pdf burst

# Rotate
pdftk input.pdf rotate 1east output rotated.pdf

常见任务

从扫描版 PDF 中提取文本

# 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)

添加水印

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)

提取图像

# Using pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix

# This extracts all images as output_prefix-000.jpg, output_prefix-001.jpg, etc.

密码保护

from pypdf import PdfReader, PdfWriter

reader = 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)

快速参考

任务	最佳工具	命令/代码
合并 PDF	pypdf	writer.add_page(page)
拆分 PDF	pypdf	每个文件一页
提取文本	pdfplumber	page.extract_text()
提取表格	pdfplumber	page.extract_tables()
创建 PDF	reportlab	Canvas 或 Platypus
通过命令行合并	qpdf	qpdf --empty --pages ...
对扫描版 PDF 进行 OCR	pytesseract	先转换为图像
填写 PDF 表单	pdf-lib 或 pypdf（参见 forms.md）	参见 forms.md

示例

示例 1：从 PDF 报告中提取表格

User: "Pull the tables out of this quarterly report PDF"
→ Opens PDF with pdfplumber
→ Extracts tables, converts to pandas DataFrame
→ Exports to Excel file with clean formatting

示例 2：合并多个 PDF

User: "Combine these three contracts into one PDF"
→ Uses pypdf to read all input files
→ Adds pages sequentially to new writer
→ Saves merged document to output path

示例 3：填写 PDF 表单

User: "Fill in this tax form with my info"
→ Reads forms.md for form-filling workflow
→ Uses pdf-lib to populate form fields
→ Saves completed PDF with flattened form data

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