PDF 處理指南
概述
本指南涵蓋使用 Python 函式庫與命令列工具進行基本 PDF 處理操作。如需進階功能、JavaScript 函式庫與詳細範例，請參閱 reference.md。如果需要填寫 PDF 表單，請閱讀 forms.md 並遵循其指示。
快速入門
from pypdf import PdfReader, PdfWriter
# 讀取 PDF
reader = PdfReader("document.pdf")
print(f"頁數: {len(reader.pages)}")
# 提取文字
text = ""
for page in reader.pages:
text += page.extract_text()
Python 函式庫
pypdf - 基本操作
合併 PDF
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)
分割 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)
提取元資料
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"標題: {meta.title}")
print(f"作者: {meta.author}")
print(f"主旨: {meta.subject}")
print(f"建立者: {meta.creator}")
旋轉頁面
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 順時針旋轉 90 度
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - 文字與表格提取
保留佈局的文字提取
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
提取表格
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"第 {i+1} 頁的表格 {j+1}:")
for row in table:
print(row)
進階表格提取
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: # 檢查表格是否為空
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# 合併所有表格
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - 建立 PDF
基本 PDF 建立
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# 加入文字
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")
# 加入直線
c.line(100, height - 140, 400, height - 140)
# 儲存
c.save()
建立多頁 PDF
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 = []
# 加入內容
title = Paragraph("報告標題", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("這是報告的內文。" * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# 第 2 頁
story.append(Paragraph("第 2 頁", styles['Heading1']))
story.append(Paragraph("第 2 頁的內容", styles['Normal']))
# 建立 PDF
doc.build(story)
命令列工具
pdftotext (poppler-utils)
# 提取文字
pdftotext input.pdf output.txt
# 保留佈局的文字提取
pdftotext -layout input.pdf output.txt
# 提取特定頁面
pdftotext -f 1 -l 5 input.pdf output.txt # 第 1-5 頁
qpdf
# 合併 PDF
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# 分割頁面
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# 旋轉頁面
qpdf input.pdf output.pdf --rotate=+90:1 # 將第 1 頁旋轉 90 度
# 移除密碼
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (如可用)
# 合併
pdftk file1.pdf file2.pdf cat output merged.pdf
# 分割
pdftk input.pdf burst
# 旋轉
pdftk input.pdf rotate 1east output rotated.pdf
常見任務
從掃描 PDF 提取文字
# 需要: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# 將 PDF 轉換為圖像
images = convert_from_path('scanned.pdf')
# 對每頁進行 OCR
text = ""
for i, image in enumerate(images):
text += f"第 {i+1} 頁:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
添加浮水印
from pypdf import PdfReader, PdfWriter
# 建立浮水印（或載入現有浮水印）
watermark = PdfReader("watermark.pdf").pages[0]
# 套用到所有頁面
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)
提取圖片
# 使用 pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix
# 這會提取所有圖片，命名為 output_prefix-000.jpg、output_prefix-001.jpg 等
密碼保護
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# 添加密碼
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
快速參考
| 任務 | 最佳工具 | 命令/程式碼 |
|---|---|---|
| 合併 PDF | pypdf | writer.add_page(page) |
| 分割 PDF | pypdf | 每個頁面一個檔案 |
| 提取文字 | pdfplumber | page.extract_text() |
| 提取表格 | pdfplumber | page.extract_tables() |
| 建立 PDF | reportlab | Canvas 或 Platypus |
| 命令列合併 | qpdf | qpdf --empty --pages ... |
| OCR 掃描 PDF | pytesseract | 先轉換為圖像 |
| 填寫 PDF 表單 | pdf-lib 或 pypdf (見 forms.md) | 請見 forms.md |
後續步驟
- 如需進階的 pypdfium2 用法，請參閱 reference.md
- 如需 JavaScript 函式庫 (pdf-lib)，請參閱 reference.md
- 如果需要填寫 PDF 表單，請遵循 forms.md 中的指示
- 如需疑難排解指南，請參閱 reference.md