name: pdf description: 处理 PDF 文件 - 提取文本、创建 PDF、合并文档。在用户要求读取 PDF、创建 PDF 或处理 PDF 文件时使用。

PDF 处理技能

你现在拥有 PDF 操作的专业知识。遵循以下工作流程：

读取 PDF

选项 1：快速文本提取（推荐）

# 使用 pdftotext（poppler-utils）
pdftotext input.pdf -  # 输出到标准输出
pdftotext input.pdf output.txt  # 输出到文件

# 如果没有 pdftotext，尝试：
python3 -c "
import fitz  # PyMuPDF
doc = fitz.open('input.pdf')
for page in doc:
    print(page.get_text())
"

选项 2：带元数据的逐页提取

import fitz  # pip install pymupdf

doc = fitz.open("input.pdf")
print(f"页数：{len(doc)}")
print(f"元数据：{doc.metadata}")

for i, page in enumerate(doc):
    text = page.get_text()
    print(f"--- 第 {i+1} 页 ---")
    print(text)

创建 PDF

选项 1：从 Markdown 创建（推荐）

# 使用 pandoc
pandoc input.md -o output.pdf

# 使用自定义样式
pandoc input.md -o output.pdf --pdf-engine=xelatex -V geometry:margin=1in

选项 2：以编程方式

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

c = canvas.Canvas("output.pdf", pagesize=letter)
c.drawString(100, 750, "你好，PDF！")
c.save()

选项 3：从 HTML 创建

# 使用 wkhtmltopdf
wkhtmltopdf input.html output.pdf

# 或者使用 Python
python3 -c "
import pdfkit
pdfkit.from_file('input.html', 'output.pdf')
"

合并 PDF

import fitz

result = fitz.open()
for pdf_path in ["file1.pdf", "file2.pdf", "file3.pdf"]:
    doc = fitz.open(pdf_path)
    result.insert_pdf(doc)
result.save("merged.pdf")

分割 PDF

import fitz

doc = fitz.open("input.pdf")
for i in range(len(doc)):
    single = fitz.open()
    single.insert_pdf(doc, from_page=i, to_page=i)
    single.save(f"page_{i+1}.pdf")

关键库

最佳实践

1. 始终检查工具是否已安装然后再使用它们
2. 处理编码问题 - PDF 可能包含各种字符编码
3. 大型 PDF：逐页处理以避免内存问题
4. 扫描的 PDF 的 OCR：如果文本提取返回空，请使用 pytesseract