Guide de traitement PDF
Présentation
Ce guide couvre les opérations essentielles de traitement PDF à l'aide de bibliothèques Python et d'outils en ligne de commande. Pour les fonctionnalités avancées, les bibliothèques JavaScript et des exemples détaillés, consultez le fichier reference.md. Si vous devez remplir un formulaire PDF, lisez le fichier forms.md et suivez ses instructions.
Démarrage rapide
from pypdf import PdfReader, PdfWriter
# Lire un PDF
reader = PdfReader("document.pdf")
print(f"Pages : {len(reader.pages)}")
# Extraire le texte
text = ""
for page in reader.pages:
text += page.extract_text()
Bibliothèques Python
pypdf - Opérations de base
Fusionner des PDF
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)
Diviser un PDF
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)
Extraire les métadonnées
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Titre : {meta.title}")
print(f"Auteur : {meta.author}")
print(f"Sujet : {meta.subject}")
print(f"Créateur : {meta.creator}")
Rotation des pages
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # Rotation de 90 degrés dans le sens horaire
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - Extraction de texte et de tableaux
Extraire le texte avec la mise en page
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Extraire les tableaux
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"Tableau {j+1} à la page {i+1} :")
for row in table:
print(row)
Extraction avancée de tableaux
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: # Vérifier que le tableau n'est pas vide
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# Combiner tous les tableaux
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - Créer des PDF
Création basique d'un PDF
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# Ajouter du texte
c.drawString(100, height - 100, "Bonjour le monde !")
c.drawString(100, height - 120, "Ceci est un PDF créé avec reportlab")
# Ajouter une ligne
c.line(100, height - 140, 400, height - 140)
# Enregistrer
c.save()
Créer un PDF avec plusieurs pages
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 = []
# Ajouter du contenu
title = Paragraph("Titre du rapport", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("Ceci est le corps du rapport. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# Page 2
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Contenu de la page 2", styles['Normal']))
# Construire le PDF
doc.build(story)
Indices et exposants
IMPORTANT : N'utilisez jamais les caractères Unicode d'indice/exposant (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) dans les PDF reportlab. Les polices intégrées ne contiennent pas ces glyphes, ce qui les rendrait comme des cases noires pleines.
Utilisez plutôt les balises XML de reportlab dans les objets Paragraph :
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# Indices : utilisez la balise <sub>
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# Exposants : utilisez la balise <super>
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
Pour le texte dessiné par canvas (pas les objets Paragraph), ajustez manuellement la taille et la position de la police au lieu d'utiliser les indices/exposants Unicode.
Outils en ligne de commande
pdftotext (poppler-utils)
# Extraire le texte
pdftotext input.pdf output.txt
# Extraire le texte en conservant la mise en page
pdftotext -layout input.pdf output.txt
# Extraire des pages spécifiques
pdftotext -f 1 -l 5 input.pdf output.txt # Pages 1 à 5
qpdf
# Fusionner des PDF
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# Diviser des pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# Rotation des pages
qpdf input.pdf output.pdf --rotate=+90:1 # Rotation de 90 degrés page 1
# Supprimer le mot de passe
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (si disponible)
# Fusionner
pdftk file1.pdf file2.pdf cat output merged.pdf
# Diviser
pdftk input.pdf burst
# Rotation
pdftk input.pdf rotate 1east output rotated.pdf
Tâches courantes
Extraire le texte de PDF scannés
# Nécessite : uv pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# Convertir le PDF en images
images = convert_from_path('scanned.pdf')
# OCR de chaque page
text = ""
for i, image in enumerate(images):
text += f"Page {i+1} :\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
Ajouter un filigrane
from pypdf import PdfReader, PdfWriter
# Créer un filigrane (ou charger un existant)
watermark = PdfReader("watermark.pdf").pages[0]
# Appliquer à toutes les pages
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)
Extraire des images
# Avec pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix
# Cela extrait toutes les images sous output_prefix-000.jpg, output_prefix-001.jpg, etc.
Protection par mot de passe
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Ajouter un mot de passe
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
Référence rapide
| Tâche | Meilleur outil | Commande/Code |
|---|---|---|
| Fusionner des PDF | pypdf | writer.add_page(page) |
| Diviser des PDF | pypdf | Un fichier par page |
| Extraire le texte | pdfplumber | page.extract_text() |
| Extraire les tableaux | pdfplumber | page.extract_tables() |
| Créer des PDF | reportlab | Canvas ou Platypus |
| Fusion en ligne de commande | qpdf | qpdf --empty --pages ... |
| OCR de PDF scannés | pytesseract | Convertir d'abord en image |
| Remplir des formulaires PDF | pdf-lib ou pypdf (voir forms.md) | Voir forms.md |
Prochaines étapes
- Pour une utilisation avancée de pypdfium2, consultez reference.md
- Pour les bibliothèques JavaScript (pdf-lib), consultez reference.md
- Si vous devez remplir un formulaire PDF, suivez les instructions dans forms.md
- Pour les guides de dépannage, consultez reference.md
Cette compétence est créée et maintenue par Anthropic. Vendue ici sans modification, hormis les métadonnées de préambule et la casse des liens reference.md/forms.md, qui sont en majuscules en amont ; voir LICENSE.txt pour les conditions.