pdf

用途

本工具包用于处理 PDF 文档的常见操作，包括提取文本与表格、创建新 PDF、合并或拆分文档，以及处理 PDF 表单。资料说明其基于 Python 库和命令行工具实现，并提供了可直接参考的代码示例。

主要能力

• 读取 PDF 并获取页数、元数据（标题、作者、主题、创建者）。
• 提取文本：使用 pypdf 逐页提取，或使用 pdfplumber 按布局提取。
• 提取表格：使用 pdfplumber 的 extract_tables()，并可转换为 pandas DataFrame 后导出为 Excel。
• 创建 PDF：使用 reportlab 的 Canvas 或 Platypus 生成单页或多页文档。
• 合并与拆分：使用 pypdf 的 PdfWriter/PdfReader，或命令行 qpdf、pdftk。
• 页面旋转：使用 pypdf 的 page.rotate()，或 qpdf 的 --rotate 参数。
• 添加水印：通过 pypdf 的 merge_page 将水印页合并到每一页。
• 提取图片：使用 pdfimages 命令行工具。
• 密码保护与解密：使用 pypdf 的 encrypt()，或 qpdf 的 --decrypt。
• OCR 扫描件：结合 pdf2image 与 pytesseract 将扫描 PDF 转为图片后识别文字。
• 表单处理：资料提示填写 PDF 表单需阅读 forms.md 并按其说明操作。

使用方式

资料以代码示例和命令示例展示用法。Python 库方面，pypdf 用于基础操作（合并、拆分、元数据、旋转、水印、加密），pdfplumber 用于文本与表格提取，reportlab 用于创建 PDF。命令行方面，pdftotext 用于提取文本（支持 -layout 保留布局、-f/-l 指定页码），qpdf 用于合并、拆分、旋转、解密，pdftk 用于合并、拆分、旋转。OCR 场景需先安装 pytesseract 与 pdf2image，再将 PDF 转为图片后逐页识别。

资料还给出一个工作流建议：先分析并选择库（文本提取用 pdfplumber，合并/拆分用 pypdf，创建用 reportlab），检查文件是否加密，判断 PDF 是文本型还是扫描型；然后进行处理（逐页惰性加载、表格转 DataFrame、在内存中完成旋转或合并）；最后验证输出完整性、清理或更新元数据、对敏感 PDF 加密。检查点包括：OCR 是否需要 tesseract、表格提取是否有列错位、大文件（100MB+）是否出现内存泄漏。

适用场景

适用于需要从 PDF 中提取文字或表格、将多个 PDF 合并、按页拆分、旋转页面、生成报告类 PDF、为文档添加水印、提取内嵌图片、加密或解密 PDF、对扫描件做 OCR 等任务。

限制

资料未提供具体的收费、价格、平台支持范围或性能指标。部分高级功能（如 pypdfium2、JavaScript 库 pdf-lib）仅提示参见 reference.md，正文未展开。表单填写需参考 forms.md，正文未给出具体步骤。OCR 依赖 tesseract 的安装，资料未说明安装细节。