关于 pdf
一份使用 Python 库和命令行工具处理 PDF 的参考指南,涵盖读取、合并、拆分、提取文本与表格以及创建 PDF,并简要提及 OCR。
主要功能
- 01读取 PDF 并统计页数
- 02合并或拆分 PDF 文件
- 03提取文本和表格
- 04使用 reportlab 创建 PDF
- 05提供 pytesseract OCR 参考
适用场景
- 01提取 PDF 文档中的文本
- 02汇总 PDF 页面中的表格
- 03合并或拆分 PDF 文件
- 04通过 Python 生成 PDF
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ moizibnyousaf/ ai-agent-skills --skill pdf安装后在 Claude Code 中输入/pdf确认已加载。
详细介绍
PDF 处理指南
快速开始
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)
pdfplumber - 文本和表格提取
提取表格
import pdfplumber
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:
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
reportlab - 创建 PDF
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
c.drawString(100, height - 100, "Hello World!")
c.save()
命令行工具
# Extract text (poppler-utils)
pdftotext input.pdf output.txt
# Merge PDFs (qpdf)
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# Split pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
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 |
| 对扫描版 PDF 进行 OCR | pytesseract | 先转换为图像 |
评论
支持 Markdown