pdf

用途

该技能用于在 Claude 中处理 PDF 文档相关任务，覆盖提取、创建、合并、拆分、表单处理等操作，基于 Python 库和命令行工具实现。

主要能力

读取与提取

使用 pypdf 读取 PDF 并输出页数，逐页提取文本，读取元数据（标题、作者、主题、创建者）。
使用 pdfplumber 按布局提取文本，并提取表格；可将多页表格合并后导出为 Excel。
使用 pdftotext（poppler-utils）提取文本，支持保留布局及指定页码范围。
使用 pdfimages（poppler-utils）提取 PDF 中的图片。
对扫描版 PDF，可先转换为图片再用 pytesseract 进行 OCR（依赖 pytesseract、pdf2image）。

编辑与操作

使用 pypdf 合并多个 PDF、按页拆分、旋转页面、添加水印、设置密码保护。
使用 qpdf 进行合并、拆分、旋转、移除密码等操作。
使用 pdftk（若可用）进行合并、拆分、旋转。

创建 PDF

使用 reportlab 创建单页 PDF（canvas），或创建多页 PDF（SimpleDocTemplate、Paragraph、Spacer、PageBreak 等）。

表单处理

表单填写需参考 forms.md 并遵循其说明，可使用 pdf-lib 或 pypdf。

使用方式

技能中提供了可直接参考的代码示例，例如：

from pypdf import PdfReader, PdfWriter

# Read a PDF
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")

# Extract text
text = ""
for page in reader.pages:
    text += page.extract_text()

合并 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)

拆分 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)

提取表格：

import pdfplumber

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"Table {j+1} on page {i+1}:")
            for row in table:
                print(row)

创建 PDF：

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

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter

c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")
c.line(100, height - 140, 400, height - 140)
c.save()

命令行示例：

pdftotext -layout input.pdf output.txt
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
qpdf input.pdf output.pdf --rotate=+90:1
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk file1.pdf file2.pdf cat output merged.pdf
pdftk input.pdf burst
pdftk input.pdf rotate 1east output rotated.pdf
pdfimages -j input.pdf output_prefix

OCR 扫描版 PDF：

import pytesseract
from pdf2image import convert_from_path

images = convert_from_path('scanned.pdf')

text = ""
for i, image in enumerate(images):
    text += f"Page {i+1}:\n"
    text += pytesseract.image_to_string(image)
    text += "\n\n"

print(text)

添加水印：

from pypdf import PdfReader, PdfWriter

watermark = PdfReader("watermark.pdf").pages[0]

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)

密码保护：

from pypdf import PdfReader, PdfWriter

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

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

writer.encrypt("userpassword", "ownerpassword")

with open("encrypted.pdf", "wb") as output:
    writer.write(output)

快速参考

任务	推荐工具	命令/代码
合并 PDF	pypdf	writer.add_page(page)
拆分 PDF	pypdf	每页一个文件
提取文本	pdfplumber	page.extract_text()
提取表格	pdfplumber	page.extract_tables()
创建 PDF	reportlab	Canvas 或 Platypus
命令行合并	qpdf	qpdf --empty --pages ...
扫描版 OCR	pytesseract	先转换为图片
填写 PDF 表单	pdf-lib 或 pypdf（见 forms.md）	见 forms.md

适用场景

适用于需要从 PDF 中提取文本、表格、元数据或图片的场景；需要合并、拆分、旋转、添加水印、设置密码保护的场景；需要以编程方式创建 PDF 的场景；以及需要处理扫描版 PDF 或表单的场景。

限制

表单填写的具体步骤未在本页展开，需参考 forms.md。
高级功能（如 pypdfium2）、JavaScript 库（pdf-lib）及详细示例、故障排除指南未在本页展开，需参考 reference.md。
部分命令行工具（如 pdftk）的可用性取决于环境。
OCR 功能需要额外安装 pytesseract 与 pdf2image。
收费、价格、平台信息暂未提供。