pdf

用途

本技能用于处理 PDF 文件，涵盖读取、提取、合并、拆分、创建、旋转、加密、加水印、OCR 等常见操作。文档以 Python 库与命令行工具为核心，给出可直接使用的代码示例与命令。

主要能力

• 读取 PDF 并统计页数（pypdf 的 PdfReader）。
• 提取文本：pypdf 的 page.extract_text()，或 pdfplumber 的 page.extract_text()（可保留布局）。
• 提取表格：pdfplumber 的 page.extract_tables()，可结合 pandas 将表格转为 DataFrame 并导出为 Excel。
• 合并 PDF：pypdf 的 PdfWriter.add_page() 逐页合并，或用 qpdf、pdftk 命令行合并。
• 拆分 PDF：pypdf 每页生成一个文件，或用 qpdf、pdftk 拆分。
• 提取元数据：读取 reader.metadata 的标题、作者、主题、创建者等字段。
• 旋转页面：page.rotate(90) 或 qpdf --rotate、pdftk rotate。
• 创建 PDF：reportlab 的 Canvas 或 Platypus（SimpleDocTemplate、Paragraph、Spacer、PageBreak）。
• OCR 扫描件：pdf2image 转图像后用 pytesseract 识别（需 pip install pytesseract pdf2image）。
• 添加水印：将水印页 merge_page 到每页。
• 提取图片：pdfimages -j。
• 密码保护与解密：pypdf 的 writer.encrypt()，qpdf --decrypt。
• 命令行文本提取：pdftotext（支持 -layout 保留布局、-f/-l 指定页码范围）。

使用方式

以 Python 库为例，安装 pypdf、pdfplumber、reportlab、pandas，按文档示例编写脚本即可执行合并、拆分、提取、创建等操作。命令行工具方面，poppler-utils 提供 pdftotext、pdfimages，qpdf、pdftk 提供合并、拆分、旋转、解密等命令。

适用场景

需要在程序中批量处理 PDF、从 PDF 提取文本或表格、将多份 PDF 合并或按页拆分、生成报告类 PDF、处理扫描件 OCR、为文档加水印或密码保护等。

限制与注意事项

• 填写 PDF 表单需参考 FORMS.md；高级 pypdfium2 与 JavaScript 库（pdf-lib）需参考 REFERENCE.md。
• 在 ReportLab 中不要使用 Unicode 下标/上标字符（如 ₀₁₂、⁰¹²），内置字体不含这些字形，会显示为黑块；应改用 <sub>、<super> 标签，canvas 文本则手动调整字号与位置。
• OCR 需要额外安装 pytesseract 与 pdf2image。
• 文档未提供具体收费、价格、平台或效果信息，这些暂未提供。