用途:该技能面向所有 PDF 相关任务,包括读取与提取文本/表格、合并多个 PDF、拆分页面、旋转页面、提取元数据、添加水印、加密与解密、OCR 扫描件以及创建新 PDF。
主要能力:
- pypdf:基础操作,如合并、拆分、提取元数据、旋转页面、添加水印、密码保护。
- pdfplumber:按布局提取文本,提取表格并可结合 pandas 导出为 Excel。
- reportlab:创建 PDF,支持多页文档、段落样式;注意不要使用 Unicode 上下标字符,应使用 <sub> 与 <super> 标签。
- 命令行工具:pdftotext 提取文本(可保留布局、指定页码),qpdf 合并/拆分/旋转/解密,pdftk 合并/拆分/旋转,pdfimages 提取图片。
- OCR:对扫描版 PDF,先用 pdf2image 转图片,再用 pytesseract 识别。
使用方式:通过 Python 脚本调用上述库,或直接运行命令行工具。示例代码见资料中的 Quick Start 与各章节。表单填写需参考 FORMS.md,高级用法与 JavaScript 库见 REFERENCE.md。
适用场景:文档自动化处理、数据提取、报表生成、批量 PDF 操作等。
限制:部分工具需额外安装(如 poppler-utils、pytesseract、pdf2image);ReportLab 内置字体不支持 Unicode 上下标;表单填写与高级功能需查阅附加文档。