PDF-Verarbeitungsanleitung
Übersicht
Diese Anleitung deckt wesentliche PDF-Verarbeitungsoperationen mit Python-Bibliotheken und Kommandozeilenwerkzeugen ab. Für fortgeschrittene Funktionen, JavaScript-Bibliotheken und detaillierte Beispiele siehe REFERENCE.md. Wenn du ein PDF-Formular ausfüllen musst, lies FORMS.md und befolge dessen Anweisungen.
Schnellstart
from pypdf import PdfReader, PdfWriter
# PDF lesen
reader = PdfReader("dokument.pdf")
print(f"Seiten: {len(reader.pages)}")
# Text extrahieren
text = ""
for page in reader.pages:
text += page.extract_text()
Python-Bibliotheken
pypdf – Basisoperationen
PDFs zusammenführen
from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for pdf_datei in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
reader = PdfReader(pdf_datei)
for page in reader.pages:
writer.add_page(page)
with open("zusammengefuehrt.pdf", "wb") as ausgabe:
writer.write(ausgabe)
PDF teilen
reader = PdfReader("eingabe.pdf")
for i, page in enumerate(reader.pages):
writer = PdfWriter()
writer.add_page(page)
with open(f"seite_{i+1}.pdf", "wb") as ausgabe:
writer.write(ausgabe)
Metadaten extrahieren
reader = PdfReader("dokument.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("eingabe.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 90 Grad im Uhrzeigersinn
writer.add_page(page)
with open("gedreht.pdf", "wb") as ausgabe:
writer.write(ausgabe)
pdfplumber – Text- und Tabellenextraktion
Text mit Layout extrahieren
import pdfplumber
with pdfplumber.open("dokument.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Tabellen extrahieren
with pdfplumber.open("dokument.pdf") as pdf:
for i, page in enumerate(pdf.pages):
tabellen = page.extract_tables()
for j, tabelle in enumerate(tabellen):
print(f"Tabelle {j+1} auf Seite {i+1}:")
for zeile in tabelle:
print(zeile)
Erweiterte Tabellenextraktion
import pandas as pd
with pdfplumber.open("dokument.pdf") as pdf:
alle_tabellen = []
for page in pdf.pages:
tabellen = page.extract_tables()
for tabelle in tabellen:
if tabelle: # Prüfen, ob Tabelle nicht leer ist
df = pd.DataFrame(tabelle[1:], columns=tabelle[0])
alle_tabellen.append(df)
# Alle Tabellen kombinieren
if alle_tabellen:
kombinierter_df = pd.concat(alle_tabellen, ignore_index=True)
kombinierter_df.to_excel("extrahierte_tabellen.xlsx", index=False)
reportlab – PDFs erstellen
Einfaches PDF erstellen
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hallo.pdf", pagesize=letter)
breite, hoehe = letter
# Text hinzufügen
c.drawString(100, hoehe - 100, "Hallo Welt!")
c.drawString(100, hoehe - 120, "Dies ist ein mit reportlab erstelltes PDF")
# Linie hinzufügen
c.line(100, hoehe - 140, 400, hoehe - 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("bericht.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []
# Inhalt hinzufügen
titel = Paragraph("Berichtstitel", styles['Title'])
story.append(titel)
story.append(Spacer(1, 12))
koerper = Paragraph("Dies ist der Hauptteil des Berichts. " * 20, styles['Normal'])
story.append(koerper)
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)
Indizes und Exponenten
WICHTIG: Verwende niemals Unicode-Tief-/Hochstellungszeichen (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) in ReportLab-PDFs. Die eingebauten Schriftarten enthalten diese Glyphen nicht, sodass sie als ausgefüllte schwarze Kästchen dargestellt werden.
Verwende stattdessen die XML-Markup-Tags von ReportLab in Paragraph-Objekten:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# Indizes: <sub>-Tag verwenden
chemie = Paragraph("H<sub>2</sub>O", styles['Normal'])
# Exponenten: <super>-Tag verwenden
quadrat = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
Für Canvas-Text (keine Paragraph-Objekte) passe die Schriftgröße und -position manuell an, anstatt Unicode-Tief-/Hochstellungen zu verwenden.
Kommandozeilenwerkzeuge
pdftotext (poppler-utils)
# Text extrahieren
pdftotext eingabe.pdf ausgabe.txt
# Text mit Layout extrahieren
pdftotext -layout eingabe.pdf ausgabe.txt
# Bestimmte Seiten extrahieren
pdftotext -f 1 -l 5 eingabe.pdf ausgabe.txt # Seiten 1-5
qpdf
# PDFs zusammenführen
qpdf --empty --pages datei1.pdf datei2.pdf -- zusammen.pdf
# Seiten teilen
qpdf eingabe.pdf --pages . 1-5 -- seiten1-5.pdf
qpdf eingabe.pdf --pages . 6-10 -- seiten6-10.pdf
# Seiten drehen
qpdf eingabe.pdf ausgabe.pdf --rotate=+90:1 # Seite 1 um 90 Grad drehen
# Passwort entfernen
qpdf --password=meinpasswort --decrypt verschluesselt.pdf entschluesselt.pdf
pdftk (falls verfügbar)
# Zusammenführen
pdftk datei1.pdf datei2.pdf cat output zusammen.pdf
# Teilen
pdftk eingabe.pdf burst
# Drehen
pdftk eingabe.pdf rotate 1east output gedreht.pdf
Häufige Aufgaben
Text aus gescannten PDFs extrahieren
# Erfordert: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# PDF in Bilder umwandeln
bilder = convert_from_path('gescannt.pdf')
# OCR für jede Seite
text = ""
for i, bild in enumerate(bilder):
text += f"Seite {i+1}:\n"
text += pytesseract.image_to_string(bild)
text += "\n\n"
print(text)
Wasserzeichen hinzufügen
from pypdf import PdfReader, PdfWriter
# Wasserzeichen erstellen (oder vorhandenes laden)
wasserzeichen = PdfReader("wasserzeichen.pdf").pages[0]
# Auf alle Seiten anwenden
reader = PdfReader("dokument.pdf")
writer = PdfWriter()
for page in reader.pages:
page.merge_page(wasserzeichen)
writer.add_page(page)
with open("mit_wasserzeichen.pdf", "wb") as ausgabe:
writer.write(ausgabe)
Bilder extrahieren
# Mit pdfimages (poppler-utils)
pdfimages -j eingabe.pdf ausgabe_prefix
# Dies extrahiert alle Bilder als ausgabe_prefix-000.jpg, ausgabe_prefix-001.jpg usw.
Passwortschutz
from pypdf import PdfReader, PdfWriter
reader = PdfReader("eingabe.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Passwort hinzufügen
writer.encrypt("benutzerpasswort", "besitzerpasswort")
with open("verschluesselt.pdf", "wb") as ausgabe:
writer.write(ausgabe)
Kurzreferenz
| Aufgabe | Bestes Werkzeug | Befehl/Code |
|---|---|---|
| PDFs zusammenführen | pypdf | writer.add_page(page) |
| PDFs teilen | 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 gescannter PDFs | pytesseract | Zuerst in Bild konvertieren |
| PDF-Formulare ausfüllen | pdf-lib oder pypdf (siehe FORMS.md) | Siehe FORMS.md |
Nächste Schritte
- Für fortgeschrittene Nutzung von pypdfium2 siehe REFERENCE.md
- Für JavaScript-Bibliotheken (pdf-lib) siehe REFERENCE.md
- Wenn du ein PDF-Formular ausfüllen musst, folge den Anweisungen in FORMS.md
- Fehlerbehebungsanleitungen findest du in REFERENCE.md