kyopark2014/strands-skills

Leitfaden zur PDF-Verarbeitung

Überblick

Dieser Leitfaden behandelt grundlegende PDF-Verarbeitungsvorgänge mit Python-Bibliotheken. Verwenden Sie das Werkzeug execute_code, um den unten gezeigten Python-Code auszuführen. Alle generierten Dateien sollten im Verzeichnis artifacts/ gespeichert werden.

Schriftarteinstellung für Koreanisch (Erforderlich – in allen PDF-Erzeugungscodes enthalten)

Beim Erstellen von PDFs mit koreanischem Text muss zwingend eine koreanische Schriftart registriert werden. Fügen Sie den folgenden Schriftart-Registrierungscode ganz am Anfang jedes PDF-Erzeugungscodes ein.

Wichtig: Die Schriftart AppleSDGothicNeo.ttc unter macOS verwendet PostScript-Outlines und ist daher mit reportlab nicht kompatibel.

Schriftart-Priorität:

1. assets/NanumGothic-Regular.ttf (TTF-Datei – am zuverlässigsten)
2. CID-Schriftart HYGothic-Medium (in reportlab enthalten – keine separate Datei erforderlich, zuverlässiger Fallback)

import os
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfbase.cidfonts import UnicodeCIDFont

def register_korean_font():
    """Registriert eine koreanische Schriftart und gibt den Schriftartnamen zurück. Muss vor der PDF-Erstellung aufgerufen werden."""
    # 1. Priorität: NanumGothic TTF
    ttf_paths = [
        os.path.join("assets", "NanumGothic-Regular.ttf"),
        "/usr/share/fonts/truetype/nanum/NanumGothic.ttf",
        "/usr/share/fonts/nanum/NanumGothic.ttf",
        "/Library/Fonts/NanumGothic.ttf",
    ]
    for path in ttf_paths:
        if os.path.exists(path):
            try:
                pdfmetrics.registerFont(TTFont("KoreanFont", path))
                return "KoreanFont"
            except Exception:
                continue

    # 2. Priorität: CID-Schriftart (in reportlab enthalten, keine separate Datei erforderlich)
    try:
        pdfmetrics.registerFont(UnicodeCIDFont("HYGothic-Medium"))
        return "HYGothic-Medium"
    except Exception:
        pass

    return "Helvetica"  # Letzter Fallback (Koreanisch nicht unterstützt)

font_name = register_korean_font()

Erstellen neuer PDFs (reportlab)

Einfache PDF-Erstellung (nur Englisch)

from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas
import os

os.makedirs("artifacts", exist_ok=True)
c = canvas.Canvas("artifacts/hello.pdf", pagesize=A4)
width, height = A4
c.drawString(100, height - 100, "Hello World!")
c.save()

Koreanische PDF-Erstellung (empfohlenes Muster)

import os
from reportlab.lib.pagesizes import A4
from reportlab.lib.units import inch
from reportlab.lib import colors
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfbase.cidfonts import UnicodeCIDFont

# 1) Koreanische Schriftart registrieren
font_name = "Helvetica"
for path in [os.path.join("assets", "NamumGothic-Regular.ttf"),
             "/usr/share/fonts/truetype/nanum/NanumGothic.ttf"]:
    if os.path.exists(path):
        try:
            pdfmetrics.registerFont(TTFont("KoreanFont", path))
            font_name = "KoreanFont"
            break
        except Exception:
            continue
if font_name == "Helvetica":
    try:
        pdfmetrics.registerFont(UnicodeCIDFont("HYGothic-Medium"))
        font_name = "HYGothic-Medium"
    except Exception:
        pass

# 2) Koreanische Stile definieren
styles = getSampleStyleSheet()
styles.add(ParagraphStyle("Title_KO",   parent=styles["Title"],    fontName=font_name, fontSize=20, spaceAfter=20, textColor=colors.HexColor("#1a1a2e")))
styles.add(ParagraphStyle("H1_KO",      parent=styles["Heading1"], fontName=font_name, fontSize=16, spaceAfter=14, textColor=colors.HexColor("#16213e")))
styles.add(ParagraphStyle("H2_KO",      parent=styles["Heading2"], fontName=font_name, fontSize=14, spaceAfter=12, textColor=colors.HexColor("#0f3460")))
styles.add(ParagraphStyle("Normal_KO",  parent=styles["Normal"],   fontName=font_name, fontSize=10, leading=14, spaceAfter=8))
styles.add(ParagraphStyle("Bullet_KO",  parent=styles["Normal"],   fontName=font_name, fontSize=10, leading=14, leftIndent=20, bulletIndent=10))

# 3) PDF erstellen
os.makedirs("artifacts", exist_ok=True)
doc = SimpleDocTemplate("artifacts/report.pdf", pagesize=A4,
    topMargin=0.8*inch, bottomMargin=0.8*inch, leftMargin=0.75*inch, rightMargin=0.75*inch)

story = []
story.append(Paragraph("Berichtstitel", styles["Title_KO"]))
story.append(Spacer(1, 16))
story.append(Paragraph("1. Einleitung", styles["H1_KO"]))
story.append(Paragraph("Dieser Bericht enthält Beispielinhalte.", styles["Normal_KO"]))
story.append(Spacer(1, 8))
story.append(Paragraph("2. Detaillierte Inhalte", styles["H1_KO"]))
story.append(Paragraph("• Erster Punkt", styles["Bullet_KO"]))
story.append(Paragraph("• Zweiter Punkt", styles["Bullet_KO"]))
story.append(PageBreak())
story.append(Paragraph("3. Anhang", styles["H1_KO"]))
story.append(Paragraph("Dies sind zusätzliche Inhalte.", styles["Normal_KO"]))

doc.build(story)
print("PDF erstellt: artifacts/report.pdf")

Koreanische Tabelle in PDF

import os
from reportlab.lib.pagesizes import A4
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle, Paragraph, Spacer
from reportlab.lib.styles import getSampleStyleSheet, ParagraphStyle
from reportlab.lib import colors
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfbase.cidfonts import UnicodeCIDFont

# Schriftart registrieren
font_name = "Helvetica"
for path in [os.path.join("assets", "NamumGothic-Regular.ttf"),
             "/usr/share/fonts/truetype/nanum/NanumGothic.ttf"]:
    if os.path.exists(path):
        try:
            pdfmetrics.registerFont(TTFont("KoreanFont", path))
            font_name = "KoreanFont"
            break
        except Exception:
            continue
if font_name == "Helvetica":
    try:
        pdfmetrics.registerFont(UnicodeCIDFont("HYGothic-Medium"))
        font_name = "HYGothic-Medium"
    except Exception:
        pass

styles = getSampleStyleSheet()
styles.add(ParagraphStyle("Title_KO",  parent=styles["Title"],  fontName=font_name, fontSize=18, textColor=colors.HexColor("#1a1a2e")))
styles.add(ParagraphStyle("Normal_KO", parent=styles["Normal"], fontName=font_name, fontSize=10))

os.makedirs("artifacts", exist_ok=True)
doc = SimpleDocTemplate("artifacts/table_report.pdf", pagesize=A4)

data = [
    ["Posten", "Beschreibung", "Kosten"],
    ["Server", "EC2-Instanz", "$120"],
    ["Speicher", "S3-Bucket", "$45"],
    ["Datenbank", "RDS PostgreSQL", "$89"],
]
table = Table(data, colWidths=[120, 200, 80])
table.setStyle(TableStyle([
    ("BACKGROUND", (0, 0), (-1, 0), colors.HexColor("#e8eaf6")),
    ("TEXTCOLOR", (0, 0), (-1, 0), colors.HexColor("#1a1a2e")),
    ("FONTNAME", (0, 0), (-1, -1), font_name),
    ("FONTSIZE", (0, 0), (-1, -1), 10),
    ("GRID", (0, 0), (-1, -1), 0.5, colors.HexColor("#bdbdbd")),
    ("VALIGN", (0, 0), (-1, -1), "MIDDLE"),
    ("TOPPADDING", (0, 0), (-1, -1), 6),
    ("BOTTOMPADDING", (0, 0), (-1, -1), 6),
]))

doc.build([
    Paragraph("Kostenanalyse-Bericht", styles["Title_KO"]),
    Spacer(1, 16),
    table
])
print("PDF erstellt: artifacts/table_report.pdf")

Wichtige Hinweise für reportlab

• Bei Verwendung koreanischen Texts muss der obige Schriftart-Registrierungscode unbedingt eingefügt werden.
• Die Schriftart AppleSDGothicNeo.ttc unter macOS verwendet PostScript-Outlines und ist daher mit reportlab nicht kompatibel. Verwenden Sie sie auf keinen Fall.
• Falls die TTF-Schriftart (assets/NanumGothic-Regular.ttf) nicht verfügbar ist, verwenden Sie die CID-Schriftart HYGothic-Medium.
• Ohne Schriftart-Registrierung wird koreanischer Text verstümmelt oder als leere Quadrate (□) dargestellt.
• Verwenden Sie NIE Unicode-Tief- oder Hochstellungszeichen (₀₁₂₃₄₅₆₇₈₉) in ReportLab-PDFs – verwenden Sie stattdessen die Tags <sub> und <sup>.

Lesen von PDFs (pypdf)

Text extrahieren

from pypdf import PdfReader

reader = PdfReader("input.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text()
print(text)

PDFs zusammenführen

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)

with open("artifacts/merged.pdf", "wb") as output:
    writer.write(output)

PDF aufteilen

from pypdf import PdfReader, PdfWriter

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

Seiten drehen

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90)
writer.add_page(page)

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

Passwortschutz

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page)
writer.encrypt("userpassword", "ownerpassword")

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

Tabellenextraktion (pdfplumber)

import pdfplumber

with pdfplumber.open("input.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

Kurzreferenz

Aufgabe	Bibliothek	Wichtige Funktion
PDF erstellen	reportlab	SimpleDocTemplate / canvas
PDF lesen/zusammenführen/teilen	pypdf	PdfReader / PdfWriter
Tabellen extrahieren	pdfplumber	page.extract_tables()
Passwortschutz	pypdf	writer.encrypt()
Seiten drehen	pypdf	page.rotate()