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、詳細な例については、REFERENCE.md を参照してください。PDF フォームに入力する必要がある場合は、FORMS.md を読んで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
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"作成プログラム: {meta.creator}")
ページの回転
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 時計回りに 90 度回転
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("これは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 を生成
doc.build(story)
下付き文字と上付き文字
重要: ReportLab PDF では、Unicode の下付き/上付き文字 (₀₁₂₃₄₅₆₇₈₉、⁰¹²³⁴⁵⁶⁷⁸⁹) を決して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おらず、黒い塗りつぶされた四角形として表示されてしまいます。
代わりに、Paragraph オブジェクトで 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'])
キャンバス描画テキスト (Paragraph オブジェクト以外) の場合は、Unicode の下付き/上付き文字を使用する代わりに、フォントサイズと位置を手動で調整してください。
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 # ページ 1〜5
qpdf
# PDF の結合
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# ページの分割
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# ページの回転
qpdf input.pdf output.pdf --rotate=+90:1 # 1 ページ目を 90 度回転
# パスワードの解除
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 PDF からのテキスト抽出
# 実行方法: uv run --with pytesseract --with pdf2image script.py
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
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 を使用 (poppler-utils)
pdfimages -j input.pdf output_prefix
# これにより、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 | 1 ファイルに 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 | まず画像に変換 |
| PDFフォームへの入力 | pdf-lib または pypdf (FORMS.md 参照) | FORMS.md を参照 |
次のステップ
- pypdfium2 の高度な使用法については、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 フォームに入力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