PDF 처리 가이드
개요
이 가이드는 Python 라이브러리와 명령줄 도구를 사용한 필수 PDF 처리 작업을 다룹니다. 고급 기능, JavaScript 라이브러리 및 자세한 예제는 REFERENCE.md를 참조하세요. PDF 양식을 작성해야 하는 경우 FORMS.md를 읽고 지침을 따르세요.
빠른 시작
from pypdf import PdfReader, PdfWriter
# PDF 읽기
reader = PdfReader("document.pdf")
print(f"페이지 수: {len(reader.pages)}")
# 텍스트 추출
text = ""
for page in reader.pages:
text += page.extract_text()
Python 라이브러리
pypdf - 기본 작업
PDF 병합
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 분할
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)
메타데이터 추출
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"제목: {meta.title}")
print(f"저자: {meta.author}")
print(f"주제: {meta.subject}")
print(f"크리에이터: {meta.creator}")
페이지 회전
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 시계 방향으로 90도 회전
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - 텍스트 및 표 추출
레이아웃을 유지한 텍스트 추출
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
표 추출
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"페이지 {i+1}의 표 {j+1}:")
for row in table:
print(row)
고급 표 추출
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: # 표가 비어 있지 않은지 확인
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# 모든 표 결합
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - PDF 생성
기본 PDF 생성
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# 텍스트 추가
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "reportlab으로 생성된 PDF입니다")
# 선 추가
c.line(100, height - 140, 400, height - 140)
# 저장
c.save()
여러 페이지가 있는 PDF 생성
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 = []
# 콘텐츠 추가
title = Paragraph("보고서 제목", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("보고서 본문입니다. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# 2페이지
story.append(Paragraph("2페이지", styles['Heading1']))
story.append(Paragraph("2페이지 콘텐츠", styles['Normal']))
# PDF 빌드
doc.build(story)
서브스크립트 및 수퍼스크립트
중요: ReportLab PDF에서 유니코드 서브스크립트/수퍼스크립트 문자(₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹)를 절대 사용하지 마십시오. 내장 폰트에 이러한 글리프가 포함되어 있지 않아 검은색 사각형으로 렌더링됩니다.
대신 Paragraph 객체에서 ReportLab의 XML 마크업 태그를 사용하세요:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# 서브스크립트: <sub> 태그 사용
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# 수퍼스크립트: <super> 태그 사용
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
canvas로 그려진 텍스트(Paragraph 객체가 아닌 경우)의 경우 유니코드 서브스크립트/수퍼스크립트 대신 글꼴 크기와 위치를 수동으로 조정하십시오.
명령줄 도구
pdftotext (poppler-utils)
# 텍스트 추출
pdftotext input.pdf output.txt
# 레이아웃을 유지하며 텍스트 추출
pdftotext -layout input.pdf output.txt
# 특정 페이지 추출
pdftotext -f 1 -l 5 input.pdf output.txt # 1-5페이지
qpdf
# PDF 병합
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# 페이지 분할
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# 페이지 회전
qpdf input.pdf output.pdf --rotate=+90:1 # 1페이지를 90도 회전
# 비밀번호 제거
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (사용 가능한 경우)
# 병합
pdftk file1.pdf file2.pdf cat output merged.pdf
# 분할
pdftk input.pdf burst
# 회전
pdftk input.pdf rotate 1east output rotated.pdf
일반 작업
스캔된 PDF에서 텍스트 추출
# 필요: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# PDF를 이미지로 변환
images = convert_from_path('scanned.pdf')
# 각 페이지 OCR
text = ""
for i, image in enumerate(images):
text += f"페이지 {i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
워터마크 추가
from pypdf import PdfReader, PdfWriter
# 워터마크 생성 (또는 기존 로드)
watermark = PdfReader("watermark.pdf").pages[0]
# 모든 페이지에 적용
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)
이미지 추출
# pdfimages 사용 (poppler-utils)
pdfimages -j input.pdf output_prefix
# 이 명령은 모든 이미지를 output_prefix-000.jpg, output_prefix-001.jpg 등으로 추출합니다.
비밀번호 보호
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# 비밀번호 추가
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
빠른 참조
| 작업 | 최적 도구 | 명령/코드 |
|---|---|---|
| PDF 병합 | pypdf | writer.add_page(page) |
| PDF 분할 | pypdf | 페이지당 하나의 파일 |
| 텍스트 추출 | pdfplumber | page.extract_text() |
| 표 추출 | pdfplumber | page.extract_tables() |
| PDF 생성 | reportlab | Canvas 또는 Platypus |
| 명령줄 병합 | qpdf | qpdf --empty --pages ... |
| 스캔된 PDF OCR | pytesseract | 먼저 이미지로 변환 |
| PDF 양식 작성 | pdf-lib 또는 pypdf (FORMS.md 참조) | FORMS.md 참조 |
다음 단계
- 고급 pypdfium2 사용법은 REFERENCE.md를 참조하세요.
- JavaScript 라이브러리(pdf-lib)는 REFERENCE.md를 참조하세요.
- PDF 양식을 작성해야 하는 경우 FORMS.md의 지침을 따르세요.
- 문제 해결 가이드는 REFERENCE.md를 참조하세요.