pdf-Extraktion

Was macht pdf-Extraktion?

Extrahiere Text, Tabellen und Metadaten aus PDFs mit pdfplumber.

Überblick

Diese Fertigkeit ermöglicht die Extraktion von strukturierten Informationen aus PDF-Dokumenten mithilfe der leistungsstarken pdfplumber-Bibliothek. Du kannst damit:

• Roh-Text aus einer oder mehreren Seiten extrahieren
• Tabellen mit genauer Formatierung lesen
• Seitenmetadaten (Seitenzahl, Seitengröße, evtl. Autor, Erstellungsdatum) abrufen

Verwendung

Die Fertigkeit wird in der Regel über ein Python-Skript aufgerufen. Der AI-Agent führt den Code aus, der die PDF-Datei öffnet und die gewünschten Daten extrahiert.

Beispiel: Text aus einer PDF extrahieren

import pdfplumber

with pdfplumber.open("beispiel.pdf") as pdf:
    for seite in pdf.pages:
        text = seite.extract_text()
        if text:
            print(text)

Beispiel: Tabellen extrahieren

import pdfplumber

with pdfplumber.open("tabelle.pdf") as pdf:
    for seite in pdf.pages:
        tabellen = seite.extract_tables()
        for tabelle in tabellen:
            for zeile in tabelle:
                print(zeile)

Beispiel: Metadaten lesen

import pdfplumber

with pdfplumber.open("dokument.pdf") as pdf:
    print("Seitenanzahl:", len(pdf.pages))
    print("Metadaten:", pdf.metadata)

Unterstützte Plattformen

Diese Fertigkeit ist für KI-Agenten wie:

• Claude Code
• Cursor
• Codex
• Andere Agenten, die Python mit pdfplumber ausführen können

Technische Hinweise

• pdfplumber muss installiert sein (pip install pdfplumber)
• Die Extraktionsgenauigkeit hängt von der PDF-Struktur ab (eingebetteter Text vs. Bild-PDFs; für Bilder ist OCR erforderlich)
• Tabellen mit ungewöhnlicher Formatierung werden möglicherweise nicht korrekt erkannt