PDF 处理指南

本技能用 Python 库 + 命令行工具完成各类 PDF 操作。进阶用法与 JavaScript 库见 references/pdf_reference.py（内含可直接运行示例）。

快速上手

from pypdf import PdfReader, PdfWriter
reader = PdfReader("document.pdf")
print(f"页数: {len(reader.pages)}")
text = ""
for page in reader.pages:
    text += page.extract_text()

Python 库速查

pypdf —— 基础操作

合并：

from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for pdf_file in ["a.pdf", "b.pdf", "c.pdf"]:
    for page in PdfReader(pdf_file).pages:
        writer.add_page(page)
with open("merged.pdf", "wb") as f:
    writer.write(f)

拆分（每页一个文件）：

reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    w = PdfWriter(); w.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as f:
        w.write(f)

旋转页面：

page = reader.pages[0]
page.rotate(90)  # 顺时针 90 度
writer.add_page(page)

提取元数据：

meta = reader.metadata
print(meta.title, meta.author, meta.subject)

pdfplumber —— 文字与表格提取

import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        print(page.extract_text())
        for t in page.extract_tables():
            for row in t:
                print(row)

reportlab —— 新建 PDF

基础（画布）：

from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
c = canvas.Canvas("hello.pdf", pagesize=letter)
c.drawString(100, 750, "你好，PDF")
c.line(100, 740, 400, 740)
c.save()

多页 + 段落流：

from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet(); story = []
story.append(Paragraph("报告标题", styles['Title']))
story.append(Paragraph("正文内容 " * 20, styles['Normal']))
story.append(PageBreak())
story.append(Paragraph("第二页", styles['Heading1']))
doc.build(story)

> 上标/下标坑：reportlab 内置字体不含 Unicode 上下标字形（₀₁²³…），会渲染成黑块。改用 XML 标签：<sub>2</sub>（下标）、<super>2</super>（上标）。

命令行工具

常见任务

扫描件 OCR（需 pytesseract + pdf2image）：

import pytesseract
from pdf2image import convert_from_path
text = ""
for i, img in enumerate(convert_from_path('scanned.pdf')):
    text += f"第{i+1}页:\n" + pytesseract.image_to_string(img) + "\n\n"

加水印：

wm = PdfReader("watermark.pdf").pages[0]
for page in PdfReader("doc.pdf").pages:
    page.merge_page(wm)
    writer.add_page(page)

加密：

writer.encrypt("user_pass", "owner_pass")

速查表

依赖

pypdf · pdfplumber · reportlab（本技能环境已预装）· 可选：poppler-utils(pdftotext/pdfimages) · 可选：qpdf · 可选 OCR：pytesseract + pdf2image(需系统 Tesseract)。