Guia de Processamento de PDF
Regra de Leitura Seletiva
Comece com:
references/usage-routing.mdreferences/quality-checklist.md
Em seguida, carregue apenas os documentos, scripts, ativos ou exemplos herdados que correspondam à tarefa real do usuário.
Regra de Leitura Seletiva
Comece com:
references/senior-master-standard.mdreferences/task-routing.mdreferences/quality-checklist.md
Depois leia:
forms.mdpara trabalhos com AcroForm ou preenchimento de camposreference.mdquando precisar de uma pesquisa mais ampla de ferramentas ou bibliotecas
Visão Geral
Este guia cobre operações essenciais de processamento de PDF usando bibliotecas Python e ferramentas de linha de comando. Para funcionalidades avançadas, bibliotecas JavaScript e exemplos detalhados, consulte REFERENCE.md. Se você precisar preencher um formulário PDF, leia FORMS.md e siga suas instruções.
Início Rápido
from pypdf import PdfReader, PdfWriter
# Ler um PDF
reader = PdfReader("document.pdf")
print(f"Páginas: {len(reader.pages)}")
# Extrair texto
text = ""
for page in reader.pages:
text += page.extract_text()
Bibliotecas Python
pypdf - Operações Básicas
Mesclar PDFs
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)
Dividir 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)
Extrair Metadados
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Título: {meta.title}")
print(f"Autor: {meta.author}")
print(f"Assunto: {meta.subject}")
print(f"Criador: {meta.creator}")
Girar Páginas
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # Girar 90 graus no sentido horário
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - Extração de Texto e Tabelas
Extrair Texto com Layout
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Extrair Tabelas
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"Tabela {j+1} na página {i+1}:")
for row in table:
print(row)
Extração Avançada de Tabelas
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: # Verificar se a tabela não está vazia
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# Combinar todas as tabelas
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - Criar PDFs
Criação Básica de PDF
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# Adicionar texto
c.drawString(100, height - 100, "Olá Mundo!")
c.drawString(100, height - 120, "Este é um PDF criado com reportlab")
# Adicionar uma linha
c.line(100, height - 140, 400, height - 140)
# Salvar
c.save()
Criar PDF com Múltiplas Páginas
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 = []
# Adicionar conteúdo
title = Paragraph("Título do Relatório", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("Este é o corpo do relatório. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# Página 2
story.append(Paragraph("Página 2", styles['Heading1']))
story.append(Paragraph("Conteúdo da página 2", styles['Normal']))
# Construir PDF
doc.build(story)
Subscritos e Sobrescritos
IMPORTANTE: Nunca use caracteres Unicode de subscrito/sobrescrito (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) em PDFs do ReportLab. As fontes incorporadas não incluem esses glifos, fazendo com que sejam renderizados como caixas pretas sólidas.
Em vez disso, use as tags de marcação XML do ReportLab em objetos Paragraph:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# Subscritos: use a tag <sub>
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# Sobrescritos: use a tag <super>
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
Para texto desenhado em canvas (não objetos Paragraph), ajuste manualmente o tamanho da fonte e a posição, em vez de usar caracteres Unicode de subscrito/sobrescrito.
Ferramentas de Linha de Comando
pdftotext (poppler-utils)
# Extrair texto
pdftotext input.pdf output.txt
# Extrair texto preservando layout
pdftotext -layout input.pdf output.txt
# Extrair páginas específicas
pdftotext -f 1 -l 5 input.pdf output.txt # Páginas 1-5
qpdf
# Mesclar PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# Dividir páginas
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# Girar páginas
qpdf input.pdf output.pdf --rotate=+90:1 # Girar página 1 em 90 graus
# Remover senha
qpdf --password=minhasenha --decrypt encrypted.pdf decrypted.pdf
pdftk (se disponível)
# Mesclar
pdftk file1.pdf file2.pdf cat output merged.pdf
# Dividir
pdftk input.pdf burst
# Girar
pdftk input.pdf rotate 1east output rotated.pdf
Tarefas Comuns
Extrair Texto de PDFs Digitalizados
# Requer: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# Converter PDF para imagens
images = convert_from_path('scanned.pdf')
# OCR em cada página
text = ""
for i, image in enumerate(images):
text += f"Página {i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
Adicionar Marca d'Água
from pypdf import PdfReader, PdfWriter
# Criar marca d'água (ou carregar existente)
watermark = PdfReader("watermark.pdf").pages[0]
# Aplicar a todas as páginas
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)
Extrair Imagens
# Usando pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix
# Isso extrai todas as imagens como output_prefix-000.jpg, output_prefix-001.jpg, etc.
Proteção por Senha
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Adicionar senha
writer.encrypt("senha_usuario", "senha_proprietario")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
Referência Rápida
| Tarefa | Melhor Ferramenta | Comando/Código |
|---|---|---|
| Mesclar PDFs | pypdf | writer.add_page(page) |
| Dividir PDFs | pypdf | Uma página por arquivo |
| Extrair texto | pdfplumber | page.extract_text() |
| Extrair tabelas | pdfplumber | page.extract_tables() |
| Criar PDFs | reportlab | Canvas ou Platypus |
| Mesclar via linha de comando | qpdf | qpdf --empty --pages ... |
| OCR em PDFs digitalizados | pytesseract | Converter para imagem primeiro |
| Preencher formulários PDF | pdf-lib ou pypdf (veja FORMS.md) | Veja FORMS.md |
Próximos Passos
- Para uso avançado do pypdfium2, consulte REFERENCE.md
- Para bibliotecas JavaScript (pdf-lib), consulte REFERENCE.md
- Se você precisar preencher um formulário PDF, siga as instruções em FORMS.md
- Para guias de solução de problemas, consulte REFERENCE.md