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 recursos avançados, 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("documento.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("documento.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("entrada.pdf")
writer = PdfWriter()
pagina = reader.pages[0]
pagina.rotate(90) # Girar 90 graus no sentido horário
writer.add_page(pagina)
with open("girado.pdf", "wb") as saida:
writer.write(saida)
pdfplumber - Extração de Texto e Tabelas
Extrair Texto com Layout
import pdfplumber
with pdfplumber.open("documento.pdf") as pdf:
for pagina in pdf.pages:
texto = pagina.extract_text()
print(texto)
Extrair Tabelas
with pdfplumber.open("documento.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("documento.pdf") as pdf:
todas_tabelas = []
for pagina in pdf.pages:
tabelas = pagina.extract_tables()
for tabela in tabelas:
if tabela: # Verifica 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 Várias 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()
historia = []
# Adicionar conteúdo
titulo = Paragraph("Título do Relatório", estilos['Title'])
historia.append(titulo)
historia.append(Spacer(1, 12))
corpo = Paragraph("Este é o corpo do relatório. " * 20, estilos['Normal'])
historia.append(corpo)
historia.append(PageBreak())
# Página 2
historia.append(Paragraph("Página 2", estilos['Heading1']))
historia.append(Paragraph("Conteúdo da página 2", estilos['Normal']))
# Construir PDF
doc.build(historia)
Subscritos e Sobrescritos
IMPORTANTE: Nunca use caracteres Unicode de subscrito/sobrescrito (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) em PDFs do ReportLab. As fontes internas 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>
quimica = 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 em canvas (não objetos Paragraph), ajuste manualmente o tamanho e a posição da fonte em vez de usar subscritos/sobrescritos Unicode.
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
# Girar páginas
qpdf entrada.pdf saida.pdf --rotate=+90:1 # Girar 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
# Girar
pdftk entrada.pdf rotate 1east output girado.pdf
Tarefas Comuns
Extrair Texto de PDFs Escaneados
# Requer: pip install pytesseract pdf2image
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 = PdfReader("marca_dagua.pdf").pages[0]
# Aplicar a todas as páginas
reader = PdfReader("documento.pdf")
writer = PdfWriter()
for pagina in reader.pages:
pagina.merge_page(marca)
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 de pypdfium2, consulte REFERENCE.md
- Para bibliotecas JavaScript (pdf-lib), consulte REFERENCE.md
- Se precisar preencher um formulário PDF, siga as instruções em FORMS.md
- Para guias de solução de problemas, consulte REFERENCE.md