Guía de Procesamiento de PDFs
Resumen
Esta guía cubre operaciones esenciales de procesamiento de PDFs utilizando bibliotecas de Python y herramientas de línea de comandos. Para características avanzadas, bibliotecas de JavaScript y ejemplos detallados, consulta reference.md. Si necesitas rellenar un formulario PDF, lee forms.md y sigue sus instrucciones.
Inicio rápido
from pypdf import PdfReader, PdfWriter
# Leer un PDF
reader = PdfReader("documento.pdf")
print(f"Páginas: {len(reader.pages)}")
# Extraer texto
texto = ""
for page in reader.pages:
texto += page.extract_text()
Bibliotecas de Python
pypdf - Operaciones Básicas
Combinar PDFs
from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for archivo_pdf in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
reader = PdfReader(archivo_pdf)
for page in reader.pages:
writer.add_page(page)
with open("combinado.pdf", "wb") as output:
writer.write(output)
Dividir PDF
reader = PdfReader("entrada.pdf")
for i, page in enumerate(reader.pages):
writer = PdfWriter()
writer.add_page(page)
with open(f"pagina_{i+1}.pdf", "wb") as output:
writer.write(output)
Extraer Metadatos
reader = PdfReader("documento.pdf")
meta = reader.metadata
print(f"Título: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Asunto: {meta.subject}")
print(f"Creador: {meta.creator}")
Rotar Páginas
reader = PdfReader("entrada.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # Rotar 90 grados en sentido horario
writer.add_page(page)
with open("rotado.pdf", "wb") as output:
writer.write(output)
pdfplumber - Extracción de Texto y Tablas
Extraer Texto con Diseño
import pdfplumber
with pdfplumber.open("documento.pdf") as pdf:
for page in pdf.pages:
texto = page.extract_text()
print(texto)
Extraer Tablas
with pdfplumber.open("documento.pdf") as pdf:
for i, page in enumerate(pdf.pages):
tablas = page.extract_tables()
for j, tabla in enumerate(tablas):
print(f"Tabla {j+1} en página {i+1}:")
for fila in tabla:
print(fila)
Extracción Avanzada de Tablas
import pandas as pd
with pdfplumber.open("documento.pdf") as pdf:
todas_tablas = []
for page in pdf.pages:
tablas = page.extract_tables()
for tabla in tablas:
if tabla: # Verificar si la tabla no está vacía
df = pd.DataFrame(tabla[1:], columns=tabla[0])
todas_tablas.append(df)
# Combinar todas las tablas
if todas_tablas:
combined_df = pd.concat(todas_tablas, ignore_index=True)
combined_df.to_excel("tablas_extraidas.xlsx", index=False)
reportlab - Crear PDFs
Creación Básica de PDF
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hola.pdf", pagesize=letter)
ancho, alto = letter
# Añadir texto
c.drawString(100, alto - 100, "¡Hola Mundo!")
c.drawString(100, alto - 120, "Este es un PDF creado con reportlab")
# Añadir una línea
c.line(100, alto - 140, 400, alto - 140)
# Guardar
c.save()
Crear PDF con Múltiples Páginas
from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
doc = SimpleDocTemplate("informe.pdf", pagesize=letter)
styles = getSampleStyleSheet()
historia = []
# Añadir contenido
titulo = Paragraph("Título del Informe", styles['Title'])
historia.append(titulo)
historia.append(Spacer(1, 12))
cuerpo = Paragraph("Este es el cuerpo del informe. " * 20, styles['Normal'])
historia.append(cuerpo)
historia.append(PageBreak())
# Página 2
historia.append(Paragraph("Página 2", styles['Heading1']))
historia.append(Paragraph("Contenido para la página 2", styles['Normal']))
# Construir PDF
doc.build(historia)
Herramientas de Línea de Comandos
pdftotext (poppler-utils)
# Extraer texto
pdftotext entrada.pdf salida.txt
# Extraer texto conservando diseño
pdftotext -layout entrada.pdf salida.txt
# Extraer páginas específicas
pdftotext -f 1 -l 5 entrada.pdf salida.txt # Páginas 1-5
qpdf
# Combinar PDFs
qpdf --empty --pages archivo1.pdf archivo2.pdf -- combinado.pdf
# Dividir páginas
qpdf entrada.pdf --pages . 1-5 -- paginas1-5.pdf
qpdf entrada.pdf --pages . 6-10 -- paginas6-10.pdf
# Rotar páginas
qpdf entrada.pdf salida.pdf --rotate=+90:1 # Rotar página 1 por 90 grados
# Eliminar contraseña
qpdf --password=micontrasena --decrypt cifrado.pdf descifrado.pdf
pdftk (si está disponible)
# Combinar
pdftk archivo1.pdf archivo2.pdf cat output combinado.pdf
# Dividir
pdftk entrada.pdf burst
# Rotar
pdftk entrada.pdf rotate 1east output rotado.pdf
Tareas Comunes
Extraer Texto de PDFs Escaneados
# Requiere: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# Convertir PDF a imágenes
imagenes = convert_from_path('escaneado.pdf')
# OCR cada página
texto = ""
for i, imagen in enumerate(imagenes):
texto += f"Página {i+1}:\n"
texto += pytesseract.image_to_string(imagen)
texto += "\n\n"
print(texto)
Añadir Marca de Agua
from pypdf import PdfReader, PdfWriter
# Crear marca de agua (o cargar existente)
marca_agua = PdfReader("marca_agua.pdf").pages[0]
# Aplicar a todas las páginas
reader = PdfReader("documento.pdf")
writer = PdfWriter()
for page in reader.pages:
page.merge_page(marca_agua)
writer.add_page(page)
with open("marcado.pdf", "wb") as output:
writer.write(output)
Extraer Imágenes
# Usando pdfimages (poppler-utils)
pdfimages -j entrada.pdf prefijo_salida
# Esto extrae todas las imágenes como prefijo_salida-000.jpg, prefijo_salida-001.jpg, etc.
Protección con Contraseña
from pypdf import PdfReader, PdfWriter
reader = PdfReader("entrada.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Añadir contraseña
writer.encrypt("contraseñausuario", "contraseñapropietario")
with open("cifrado.pdf", "wb") as output:
writer.write(output)
Referencia Rápida
| Tarea | Mejor Herramienta | Comando/Código |
|---|---|---|
| Combinar PDFs | pypdf | writer.add_page(page) |
| Dividir PDFs | pypdf | Un archivo por página |
| Extraer texto | pdfplumber | page.extract_text() |
| Extraer tablas | pdfplumber | page.extract_tables() |
| Crear PDFs | reportlab | Canvas o Platypus |
| Combinar desde línea de comandos | qpdf | qpdf --empty --pages ... |
| OCR de PDFs escaneados | pytesseract | Convertir a imagen primero |
| Rellenar formularios PDF | pdf-lib o pypdf (ver forms.md) | Ver forms.md |
Próximos Pasos
- Para uso avanzado de pypdfium2, consulta reference.md
- Para bibliotecas de JavaScript (pdf-lib), consulta reference.md
- Si necesitas rellenar un formulario PDF, sigue las instrucciones en forms.md
- Para guías de solución de problemas, consulta reference.md