PDF 處理指南
Skill 目錄:本 skill 的所有腳本和參考文件位於
~/.claude/skills/document-pdf/。 執行腳本時請使用該目錄下的scripts/子目錄。
概述
本指南涵蓋使用 Python 函式庫和命令列工具的基本 PDF 處理操作。如需進階功能、JavaScript 函式庫和詳細範例,請參閱 reference.md。如果您需要填寫 PDF 表單,請閱讀 forms.md 並遵循其說明。
快速開始
python
from pypdf import PdfReader, PdfWriter
# 讀取 PDF
reader = PdfReader("document.pdf")
print(f"頁數: {len(reader.pages)}")
# 擷取文字
text = ""
for page in reader.pages:
text += page.extract_text()
Python 函式庫
pypdf - 基本操作
合併 PDF
python
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)
分割 PDF
python
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)
擷取中繼資料
python
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"標題: {meta.title}")
print(f"作者: {meta.author}")
print(f"主題: {meta.subject}")
print(f"建立者: {meta.creator}")
旋轉頁面
python
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 順時針旋轉 90 度
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - 文字和表格擷取
擷取含版面配置的文字
python
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
擷取表格
python
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"第 {i+1} 頁的表格 {j+1}:")
for row in table:
print(row)
進階表格擷取
python
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: # 檢查表格是否不為空
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# 合併所有表格
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - 建立 PDF
基本 PDF 建立
python
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# 新增文字
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "這是使用 reportlab 建立的 PDF")
# 新增線條
c.line(100, height - 140, 400, height - 140)
# 儲存
c.save()
建立表格(含自動換行)
重要:表格儲存格必須使用
Paragraph包裝文字,否則不會自動換行,長文字會被截斷或溢出。
python
from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Paragraph, Table, TableStyle
from reportlab.lib.styles import ParagraphStyle
from reportlab.lib import colors
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
# 註冊中文字型(Windows)
pdfmetrics.registerFont(TTFont('MicrosoftJhengHei', 'C:/Windows/Fonts/msjh.ttc'))
# 建立樣式
cell_style = ParagraphStyle('Cell_CN', fontName='MicrosoftJhengHei', fontSize=9, leading=14)
header_style = ParagraphStyle('Header_CN', fontName='MicrosoftJhengHei', fontSize=9, leading=14, textColor=colors.white)
# 包裝函式 - 關鍵!
def wrap(text, style=cell_style):
return Paragraph(text, style)
# 表格資料 - 使用 Paragraph 包裝才能自動換行
data = [
[wrap('標題1', header_style), wrap('標題2', header_style)],
[wrap('短文字'), wrap('這是一段很長的文字,會根據欄寬自動換行顯示')],
]
# 建立表格並設定欄寬
table = Table(data, colWidths=[100, 200])
table.setStyle(TableStyle([
('BACKGROUND', (0, 0), (-1, 0), colors.HexColor('#4472C4')),
('GRID', (0, 0), (-1, -1), 1, colors.HexColor('#DDDDDD')),
('VALIGN', (0, 0), (-1, -1), 'MIDDLE'),
('TOPPADDING', (0, 0), (-1, -1), 8),
('BOTTOMPADDING', (0, 0), (-1, -1), 8),
]))
建立多頁 PDF
python
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 = []
# 新增內容
title = Paragraph("報告標題", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("這是報告的內文。" * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# 第 2 頁
story.append(Paragraph("第 2 頁", styles['Heading1']))
story.append(Paragraph("第 2 頁的內容", styles['Normal']))
# 建置 PDF
doc.build(story)
命令列工具
pdftotext (poppler-utils)
bash
# 擷取文字 pdftotext input.pdf output.txt # 擷取文字並保留版面配置 pdftotext -layout input.pdf output.txt # 擷取特定頁面 pdftotext -f 1 -l 5 input.pdf output.txt # 第 1-5 頁
qpdf
bash
# 合併 PDF qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf # 分割頁面 qpdf input.pdf --pages . 1-5 -- pages1-5.pdf qpdf input.pdf --pages . 6-10 -- pages6-10.pdf # 旋轉頁面 qpdf input.pdf output.pdf --rotate=+90:1 # 將第 1 頁旋轉 90 度 # 移除密碼 qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk(如果可用)
bash
# 合併 pdftk file1.pdf file2.pdf cat output merged.pdf # 分割 pdftk input.pdf burst # 旋轉 pdftk input.pdf rotate 1east output rotated.pdf
常見任務
從掃描 PDF 擷取文字
python
# 需要:pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# 將 PDF 轉換為圖片
images = convert_from_path('scanned.pdf')
# 對每頁進行 OCR
text = ""
for i, image in enumerate(images):
text += f"第 {i+1} 頁:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
新增浮水印
python
from pypdf import PdfReader, PdfWriter
# 建立浮水印(或載入現有的)
watermark = PdfReader("watermark.pdf").pages[0]
# 套用到所有頁面
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)
擷取圖片
bash
# 使用 pdfimages (poppler-utils) pdfimages -j input.pdf output_prefix # 這會將所有圖片擷取為 output_prefix-000.jpg、output_prefix-001.jpg 等
密碼保護
python
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# 新增密碼
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
快速參考
| 任務 | 最佳工具 | 指令/程式碼 |
|---|---|---|
| 合併 PDF | pypdf | writer.add_page(page) |
| 分割 PDF | pypdf | 每頁一個檔案 |
| 擷取文字 | pdfplumber | page.extract_text() |
| 擷取表格 | pdfplumber | page.extract_tables() |
| 建立 PDF | reportlab | Canvas 或 Platypus |
| 命令列合併 | qpdf | qpdf --empty --pages ... |
| OCR 掃描 PDF | pytesseract | 先轉換為圖片 |
| 填寫 PDF 表單 | pdf-lib 或 pypdf(見 forms.md) | 見 forms.md |
下一步
- •如需進階 pypdfium2 用法,請參閱
~/.claude/skills/document-pdf/reference.md - •如需 JavaScript 函式庫(pdf-lib),請參閱
~/.claude/skills/document-pdf/reference.md - •如果需要填寫 PDF 表單,請遵循
~/.claude/skills/document-pdf/forms.md中的說明 - •如需疑難排解指南,請參閱
~/.claude/skills/document-pdf/reference.md