Руководство по обработке PDF

Обзор

Это руководство охватывает основные операции обработки PDF с использованием библиотек Python и инструментов командной строки. Для расширенных функций, JavaScript-библиотек и подробных примеров смотрите REFERENCE.md. Если вам нужно заполнить PDF-форму, прочитайте FORMS.md и следуйте его инструкциям.

Быстрый старт

from pypdf import PdfReader, PdfWriter

# Чтение PDF
reader = PdfReader("document.pdf")
print(f"Страниц: {len(reader.pages)}")

# Извлечение текста
text = ""
for page in reader.pages:
    text += page.extract_text()

Библиотеки Python

pypdf - базовые операции

Объединение 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)

Разбиение 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)

Извлечение метаданных

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Заголовок: {meta.title}")
print(f"Автор: {meta.author}")
print(f"Тема: {meta.subject}")
print(f"Создатель: {meta.creator}")

Поворот страниц

reader = PdfReader("input.pdf")
writer = PdfWriter()

page = reader.pages[0]
page.rotate(90)  # Поворот на 90 градусов по часовой стрелке
writer.add_page(page)

with open("rotated.pdf", "wb") as output:
    writer.write(output)

pdfplumber - извлечение текста и таблиц

Извлечение текста с сохранением разметки

import pdfplumber

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

Извлечение таблиц

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"Таблица {j+1} на странице {i+1}:")
            for row in table:
                print(row)

Расширенное извлечение таблиц

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:  # Проверка, что таблица не пустая
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)

# Объединение всех таблиц
if all_tables:
    combined_df = pd.concat(all_tables, ignore_index=True)
    combined_df.to_excel("extracted_tables.xlsx", index=False)

reportlab - создание PDF

Базовое создание PDF

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

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter

# Добавление текста
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")

# Добавление линии
c.line(100, height - 140, 400, height - 140)

# Сохранение
c.save()

Создание PDF с несколькими страницами

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 = []

# Добавление содержимого
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())

# Страница 2
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Content for page 2", styles['Normal']))

# Создание PDF
doc.build(story)

Нижние и верхние индексы

ВАЖНО: Никогда не используйте символы Unicode для нижних/верхних индексов (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) в PDF, созданных с помощью ReportLab. Встроенные шрифты не содержат этих глифов, из-за чего они отображаются как сплошные чёрные квадраты.

Вместо этого используйте XML-теги ReportLab в объектах Paragraph:

from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet

styles = getSampleStyleSheet()

# Нижние индексы: используйте тег <sub>
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])

# Верхние индексы: используйте тег <super>
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])

Для текста, рисуемого на canvas (не Paragraph), вручную регулируйте размер шрифта и позицию вместо использования Unicode нижних/верхних индексов.

Инструменты командной строки

pdftotext (poppler-utils)

# Извлечение текста
pdftotext input.pdf output.txt

# Извлечение текста с сохранением разметки
pdftotext -layout input.pdf output.txt

# Извлечение определённых страниц
pdftotext -f 1 -l 5 input.pdf output.txt  # Страницы 1-5

qpdf

# Объединение PDF
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

# Разбиение страниц
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf

# Поворот страниц
qpdf input.pdf output.pdf --rotate=+90:1  # Поворот страницы 1 на 90 градусов

# Удаление пароля
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftk (если доступен)

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

# Разбиение
pdftk input.pdf burst

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

Распространённые задачи

Извлечение текста из отсканированных PDF

# Требуется: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path

# Конвертация PDF в изображения
images = convert_from_path('scanned.pdf')

# OCR каждой страницы
text = ""
for i, image in enumerate(images):
    text += f"Страница {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"

print(text)

Добавление водяного знака

from pypdf import PdfReader, PdfWriter

# Создание водяного знака (или загрузка существующего)
watermark = PdfReader("watermark.pdf").pages[0]

# Применение ко всем страницам
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)

Извлечение изображений

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

# Извлекает все изображения как output_prefix-000.jpg, output_prefix-001.jpg и т.д.

Защита паролем

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

# Добавление пароля
writer.encrypt("userpassword", "ownerpassword")

with open("encrypted.pdf", "wb") as output:
    writer.write(output)

Быстрая справка

Задача	Лучший инструмент	Команда/Код
Объединение PDF	pypdf	writer.add_page(page)
Разбиение PDF	pypdf	По одной странице на файл
Извлечение текста	pdfplumber	page.extract_text()
Извлечение таблиц	pdfplumber	page.extract_tables()
Создание PDF	reportlab	Canvas или Platypus
Объединение через командную строку	qpdf	qpdf --empty --pages ...
OCR отсканированных PDF	pytesseract	Сначала конвертация в изображение
Заполнение PDF-форм	pdf-lib или pypdf (см. FORMS.md)	См. FORMS.md

Следующие шаги

• Для расширенного использования pypdfium2 смотрите REFERENCE.md
• Для JavaScript-библиотек (pdf-lib) смотрите REFERENCE.md
• Если нужно заполнить PDF-форму, следуйте инструкциям в FORMS.md
• Для руководств по устранению неполадок смотрите REFERENCE.md