Leitfaden zur PDF-Verarbeitung
Überblick
Dieser Leitfaden behandelt grundlegende PDF-Verarbeitungsvorgänge mit Python-Bibliotheken und Kommandozeilenwerkzeugen. Für erweiterte Funktionen, JavaScript-Bibliotheken und detaillierte Beispiele siehe reference.md. Wenn Sie ein PDF-Formular ausfüllen müssen, lesen Sie forms.md und befolgen Sie dessen Anweisungen.
Schnellstart
from pypdf import PdfReader, PdfWriter
# Ein PDF lesen
reader = PdfReader("document.pdf")
print(f"Seiten: {len(reader.pages)}")
# Text extrahieren
text = ""
for page in reader.pages:
text += page.extract_text()
Python-Bibliotheken
pypdf - Grundlegende Operationen
PDFs zusammenführen
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)
PDF aufteilen
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)
Metadaten extrahieren
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Titel: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Betreff: {meta.subject}")
print(f"Ersteller: {meta.creator}")
Seiten drehen
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # Um 90 Grad im Uhrzeigersinn drehen
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - Text- und Tabellenextraktion
Text mit Layout extrahieren
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Tabellen extrahieren
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"Tabelle {j+1} auf Seite {i+1}:")
for row in table:
print(row)
Erweiterte Tabellenextraktion
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: # Prüfen, ob die Tabelle nicht leer ist
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# Alle Tabellen kombinieren
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - PDFs erstellen
Einfaches PDF erstellen
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# Text hinzufügen
c.drawString(100, height - 100, "Hallo Welt!")
c.drawString(100, height - 120, "Dies ist ein mit reportlab erstelltes PDF")
# Eine Linie hinzufügen
c.line(100, height - 140, 400, height - 140)
# Speichern
c.save()
PDF mit mehreren Seiten erstellen
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 = []
# Inhalt hinzufügen
title = Paragraph("Berichtstitel", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("Dies ist der Text des Berichts. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# Seite 2
story.append(Paragraph("Seite 2", styles['Heading1']))
story.append(Paragraph("Inhalt für Seite 2", styles['Normal']))
# PDF erstellen
doc.build(story)
Tief- und Hochstellung
WICHTIG: Verwenden Sie niemals Unicode-Tiefstellungs-/Hochstellungszeichen (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) in ReportLab-PDFs. Die integrierten Schriftarten enthalten diese Zeichen nicht, sodass sie als schwarze, ausgefüllte Rechtecke dargestellt werden.
Verwenden Sie stattdessen die XML-Markup-Tags von ReportLab in Paragraph-Objekten:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# Tiefstellung: <sub>-Tag verwenden
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# Hochstellung: <super>-Tag verwenden
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
Bei mit Canvas gezeichnetem Text (nicht Paragraph-Objekte) passen Sie manuell die Schriftgröße und -position an, anstatt Unicode-Tief-/Hochstellungszeichen zu verwenden.
Kommandozeilenwerkzeuge
pdftotext (poppler-utils)
# Text extrahieren
pdftotext input.pdf output.txt
# Text unter Beibehaltung des Layouts extrahieren
pdftotext -layout input.pdf output.txt
# Bestimmte Seiten extrahieren
pdftotext -f 1 -l 5 input.pdf output.txt # Seiten 1-5
qpdf
# PDFs zusammenführen
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# Seiten aufteilen
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# Seiten drehen
qpdf input.pdf output.pdf --rotate=+90:1 # Seite 1 um 90 Grad drehen
# Passwort entfernen
qpdf --password=meinpasswort --decrypt encrypted.pdf decrypted.pdf
pdftk (falls verfügbar)
# Zusammenführen
pdftk file1.pdf file2.pdf cat output merged.pdf
# Aufteilen
pdftk input.pdf burst
# Drehen
pdftk input.pdf rotate 1east output rotated.pdf
Häufige Aufgaben
Text aus gescannten PDFs extrahieren
# Erfordert: uv pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# PDF in Bilder konvertieren
images = convert_from_path('scanned.pdf')
# OCR für jede Seite
text = ""
for i, image in enumerate(images):
text += f"Seite {i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
Wasserzeichen hinzufügen
from pypdf import PdfReader, PdfWriter
# Wasserzeichen erstellen (oder vorhandenes laden)
watermark = PdfReader("watermark.pdf").pages[0]
# Auf alle Seiten anwenden
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)
Bilder extrahieren
# Mit pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix
# Extrahiert alle Bilder als output_prefix-000.jpg, output_prefix-001.jpg, usw.
Passwortschutz
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Passwort hinzufügen
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
Kurzübersicht
| Aufgabe | Bestes Werkzeug | Befehl/Code |
|---|---|---|
| PDFs zusammenführen | pypdf | writer.add_page(page) |
| PDFs aufteilen | pypdf | Eine Seite pro Datei |
| Text extrahieren | pdfplumber | page.extract_text() |
| Tabellen extrahieren | pdfplumber | page.extract_tables() |
| PDFs erstellen | reportlab | Canvas oder Platypus |
| Zusammenführen (CLI) | qpdf | qpdf --empty --pages ... |
| OCR für gescannte PDFs | pytesseract | Zuerst in Bild konvertieren |
| PDF-Formulare ausfüllen | pdf-lib oder pypdf (siehe forms.md) | Siehe forms.md |
Nächste Schritte
- Für die erweiterte Verwendung von pypdfium2 siehe
reference.md - Für JavaScript-Bibliotheken (pdf-lib) siehe
reference.md - Wenn Sie ein PDF-Formular ausfüllen müssen, folgen Sie den Anweisungen in
forms.md - Für Fehlerbehebungsleitfäden siehe
reference.md
Dieses Skill wurde erstellt und wird gepflegt von Anthropic. Hier unverändert übernommen, abgesehen von Frontmatter-Metadaten und der Schreibweise der reference.md/forms.md-Links, die upstream groß geschrieben werden; siehe LICENSE.txt für die Lizenzbedingungen.