TMYTiMidlY/skills

Guia de Processamento de PDF

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 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
texto = ""
for pagina in reader.pages:
    texto += pagina.extract_text()

Bibliotecas Python

pypdf - Operações Básicas

Mesclar PDFs

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for arquivo_pdf in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(arquivo_pdf)
    for pagina in reader.pages:
        writer.add_page(pagina)

with open("mesclado.pdf", "wb") as saida:
    writer.write(saida)

Dividir PDF

reader = PdfReader("entrada.pdf")
for i, pagina in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(pagina)
    with open(f"pagina_{i+1}.pdf", "wb") as saida:
        writer.write(saida)

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}")

Rotacionar Páginas

reader = PdfReader("entrada.pdf")
writer = PdfWriter()

pagina = reader.pages[0]
pagina.rotate(90)  # Rotacionar 90 graus no sentido horário
writer.add_page(pagina)

with open("rotacionado.pdf", "wb") as saida:
    writer.write(saida)

pdfplumber - Extração de Texto e Tabelas

Extrair Texto com Layout

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for pagina in pdf.pages:
        texto = pagina.extract_text()
        print(texto)

Extrair Tabelas

with pdfplumber.open("document.pdf") as pdf:
    for i, pagina in enumerate(pdf.pages):
        tabelas = pagina.extract_tables()
        for j, tabela in enumerate(tabelas):
            print(f"Tabela {j+1} na página {i+1}:")
            for linha in tabela:
                print(linha)

Extração Avançada de Tabelas

import pandas as pd

with pdfplumber.open("document.pdf") as pdf:
    todas_tabelas = []
    for pagina in pdf.pages:
        tabelas = pagina.extract_tables()
        for tabela in tabelas:
            if tabela:  # Verificar se a tabela não está vazia
                df = pd.DataFrame(tabela[1:], columns=tabela[0])
                todas_tabelas.append(df)

# Combinar todas as tabelas
if todas_tabelas:
    df_combinado = pd.concat(todas_tabelas, ignore_index=True)
    df_combinado.to_excel("tabelas_extraidas.xlsx", index=False)

reportlab - Criar PDFs

Criação Básica de PDF

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("ola.pdf", pagesize=letter)
largura, altura = letter

# Adicionar texto
c.drawString(100, altura - 100, "Olá Mundo!")
c.drawString(100, altura - 120, "Este é um PDF criado com reportlab")

# Adicionar uma linha
c.line(100, altura - 140, 400, altura - 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("relatorio.pdf", pagesize=letter)
estilos = getSampleStyleSheet()
conteudo = []

# Adicionar conteúdo
titulo = Paragraph("Título do Relatório", estilos['Title'])
conteudo.append(titulo)
conteudo.append(Spacer(1, 12))

corpo = Paragraph("Este é o corpo do relatório. " * 20, estilos['Normal'])
conteudo.append(corpo)
conteudo.append(PageBreak())

# Página 2
conteudo.append(Paragraph("Página 2", estilos['Heading1']))
conteudo.append(Paragraph("Conteúdo para a página 2", estilos['Normal']))

# Construir PDF
doc.build(conteudo)

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

estilos = getSampleStyleSheet()

# Subscritos: use a tag <sub>
quimico = Paragraph("H<sub>2</sub>O", estilos['Normal'])

# Sobrescritos: use a tag <super>
quadrado = Paragraph("x<super>2</super> + y<super>2</super>", estilos['Normal'])

Para texto desenhado no 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 entrada.pdf saida.txt

# Extrair texto preservando layout
pdftotext -layout entrada.pdf saida.txt

# Extrair páginas específicas
pdftotext -f 1 -l 5 entrada.pdf saida.txt  # Páginas 1-5

qpdf

# Mesclar PDFs
qpdf --empty --pages arquivo1.pdf arquivo2.pdf -- mesclado.pdf

# Dividir páginas
qpdf entrada.pdf --pages . 1-5 -- paginas1-5.pdf
qpdf entrada.pdf --pages . 6-10 -- paginas6-10.pdf

# Rotacionar páginas
qpdf entrada.pdf saida.pdf --rotate=+90:1  # Rotacionar página 1 em 90 graus

# Remover senha
qpdf --password=minhasenha --decrypt criptografado.pdf descriptografado.pdf

pdftk (se disponível)

# Mesclar
pdftk arquivo1.pdf arquivo2.pdf cat output mesclado.pdf

# Dividir
pdftk entrada.pdf burst

# Rotacionar
pdftk entrada.pdf rotate 1east output rotacionado.pdf

Tarefas Comuns

Extrair Texto de PDFs Escaneados

# Executar com: uv run --with pytesseract --with pdf2image script.py
import pytesseract
from pdf2image import convert_from_path

# Converter PDF para imagens
imagens = convert_from_path('escaneado.pdf')

# OCR em cada página
texto = ""
for i, imagem in enumerate(imagens):
    texto += f"Página {i+1}:\n"
    texto += pytesseract.image_to_string(imagem)
    texto += "\n\n"

print(texto)

Adicionar Marca d'Água

from pypdf import PdfReader, PdfWriter

# Criar marca d'água (ou carregar existente)
marca_dagua = PdfReader("marca.pdf").pages[0]

# Aplicar a todas as páginas
reader = PdfReader("document.pdf")
writer = PdfWriter()

for pagina in reader.pages:
    pagina.merge_page(marca_dagua)
    writer.add_page(pagina)

with open("com_marca.pdf", "wb") as saida:
    writer.write(saida)

Extrair Imagens

# Usando pdfimages (poppler-utils)
pdfimages -j entrada.pdf prefixo_saida

# Isso extrai todas as imagens como prefixo_saida-000.jpg, prefixo_saida-001.jpg, etc.

Proteção por Senha

from pypdf import PdfReader, PdfWriter

reader = PdfReader("entrada.pdf")
writer = PdfWriter()

for pagina in reader.pages:
    writer.add_page(pagina)

# Adicionar senha
writer.encrypt("senhausuario", "senhadono")

with open("criptografado.pdf", "wb") as saida:
    writer.write(saida)

Referência Rápida

Tarefa	Melhor Ferramenta	Comando/Código
Mesclar PDFs	pypdf	writer.add_page(pagina)
Dividir PDFs	pypdf	Uma página por arquivo
Extrair texto	pdfplumber	pagina.extract_text()
Extrair tabelas	pdfplumber	pagina.extract_tables()
Criar PDFs	reportlab	Canvas ou Platypus
Mesclar via linha de comando	qpdf	qpdf --empty --pages ...
OCR em PDFs escaneados	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, veja REFERENCE.md
• Para bibliotecas JavaScript (pdf-lib), veja REFERENCE.md
• Se precisar preencher um formulário PDF, siga as instruções em FORMS.md
• Para guias de solução de problemas, veja REFERENCE.md