用途:当用户需要对 PDF 文件做处理时使用本技能,覆盖读取、提取文本/表格、合并、拆分、旋转、读取元数据、创建 PDF、加水印、加密解密、提取图片以及对扫描件做 OCR 等任务。
主要能力与工具:Python 方面,pypdf 用于基础操作(读取页数、合并、拆分、读元数据、旋转页、加密、合并水印);pdfplumber 用于带布局的文本提取和表格提取,并可结合 pandas 汇总导出 Excel;reportlab 用于创建 PDF(Canvas 或 Platypus),支持多页文档、页眉标题、分页和上下标;pytesseract 配合 pdf2image 对扫描件做 OCR。命令行方面,pdftotext、pdfimages(poppler-utils)、qpdf、pdftk 分别用于文本提取、图片提取、合并拆分旋转与解密。
使用方式:按文档中的示例调用相应库或命令,例如用 PdfReader/PdfWriter 读写、用 page.extract_text() 与 page.extract_tables() 提取、用 qpdf --empty --pages 合并、用 pdftotext -layout 保留版式提取。表单填写需按 FORMS.md 说明;高级 pypdfium2 用法和 JavaScript 库(pdf-lib)见 REFERENCE.md。
限制与注意:ReportLab 内置字体不含 Unicode 上下标字符,应改用 <sub>、<super> 标签,避免渲染成黑块;OCR 需先安装 pytesseract 与 pdf2image,且扫描件需先转图像;qpdf 解密需提供密码。具体环境、平台和收费信息暂未提供。