PDF処理ガイド
概要
このガイドでは、Pythonライブラリとコマンドラインツールを使用した基本的なPDF処理操作について説明します。高度な機能、JavaScriptライブラリ、および詳細な例については、REFERENCE.mdを参照してください。PDFフォームに記入する必要がある場合は、FORMS.mdを読み、その指示に従ってください。
クイックスタート
from pypdf import PdfReader, PdfWriter
# PDFを読み込む
reader = PdfReader("document.pdf")
print(f"ページ数: {len(reader.pages)}")
# テキストを抽出する
text = ""
for page in reader.pages:
text += page.extract_text()
Pythonライブラリ
pypdf - 基本操作
PDFの結合
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の分割
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)
メタデータの抽出
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"タイトル: {meta.title}")
print(f"作成者: {meta.author}")
print(f"件名: {meta.subject}")
print(f"作成アプリ: {meta.creator}")
ページの回転
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 90度時計回りに回転
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - テキストと表の抽出
レイアウトを保持したテキスト抽出
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
表の抽出
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"ページ{i+1}の表{j+1}:")
for row in table:
print(row)
高度な表抽出
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: # 表が空でないことを確認
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# すべての表を結合
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - PDFの作成
基本的なPDF作成
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# テキストを追加
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "これはreportlabで作成されたPDFです")
# 線を追加
c.line(100, height - 140, 400, height - 140)
# 保存
c.save()
複数ページのPDF作成
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 = []
# コンテンツを追加
title = Paragraph("レポートタイトル", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("これがレポートの本文です。" * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# 2ページ目
story.append(Paragraph("2ページ目", styles['Heading1']))
story.append(Paragraph("2ページ目のコンテンツ", styles['Normal']))
# PDFをビルド
doc.build(story)
下付き文字と上付き文字
重要: ReportLabのPDFでは、Unicodeの下付き/上付き文字（₀₁₂₃₄₅₆₇₈₉、⁰¹²³⁴⁵⁶⁷⁸⁹）を絶対に使用しないでください。組み込みフォントにはこれらのグリフが含まれていないため、黒い塗りつぶしの四角形としてレンダリングされます。
代わりに、Paragraphオブジェクト内でReportLabのXMLマークアップタグを使用してください：
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# 下付き文字：<sub>タグを使用
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# 上付き文字：<super>タグを使用
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
キャンバスに直接描画するテキスト（Paragraphオブジェクト以外）の場合は、Unicodeの下付き/上付き文字を使用せずに、手動でフォントサイズと位置を調整してください。
コマンドラインツール
pdftotext (poppler-utils)
# テキストを抽出
pdftotext input.pdf output.txt
# レイアウトを保持してテキストを抽出
pdftotext -layout input.pdf output.txt
# 特定のページを抽出
pdftotext -f 1 -l 5 input.pdf output.txt # 1〜5ページ
qpdf
# PDFを結合
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# ページを分割
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# ページを回転
qpdf input.pdf output.pdf --rotate=+90:1 # 1ページ目を90度回転
# パスワードを解除
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (利用可能な場合)
# 結合
pdftk file1.pdf file2.pdf cat output merged.pdf
# 分割
pdftk input.pdf burst
# 回転
pdftk input.pdf rotate 1east output rotated.pdf
一般的なタスク
スキャンされたPDFからのテキスト抽出
# 必要なパッケージ: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# PDFを画像に変換
images = convert_from_path('scanned.pdf')
# 各ページをOCR
text = ""
for i, image in enumerate(images):
text += f"ページ{i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
透かしの追加
from pypdf import PdfReader, PdfWriter
# 透かしを作成（または既存のものを読み込む）
watermark = PdfReader("watermark.pdf").pages[0]
# すべてのページに適用
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)
画像の抽出
# pdfimages (poppler-utils) を使用
pdfimages -j input.pdf output_prefix
# すべての画像が output_prefix-000.jpg、output_prefix-001.jpg などとして抽出されます
パスワード保護
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# パスワードを追加
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
クイックリファレンス
| タスク | 最適なツール | コマンド/コード |
|---|---|---|
| PDFの結合 | pypdf | writer.add_page(page) |
| PDFの分割 | pypdf | ファイルごとに1ページ |
| テキスト抽出 | pdfplumber | page.extract_text() |
| 表の抽出 | pdfplumber | page.extract_tables() |
| PDFの作成 | reportlab | CanvasまたはPlatypus |
| コマンドライン結合 | qpdf | qpdf --empty --pages ... |
| スキャンPDFのOCR | pytesseract | 最初に画像に変換 |
| PDFフォームの入力 | pdf-libまたはpypdf（FORMS.md参照） | FORMS.mdを参照 |
次のステップ
- 高度なpypdfium2の使用法については、REFERENCE.mdを参照してください
- JavaScriptライブラリ（pdf-lib）については、REFERENCE.mdを参照してください
- PDFフォームに記入する必要がある場合は、FORMS.mdの指示に従ってください
- トラブルシューティングガイドについては、REFERENCE.mdを参照してください