PDF 处理指南

要解决的问题

处理 PDF 时，需求经常散落在不同工具里：pypdf 适合合并、拆分、读取元数据、旋转页面；pdfplumber 适合提取带布局的文本和表格；reportlab 适合从空白处生成 PDF；扫描件还要先转成图像再做 OCR；表单填写也有单独说明。这个技能的价值，是把“该用哪个库、先做哪一步”整理成一张任务路径，减少在多个文档之间反复确认。

核心能力与步骤

• 基础结构操作：用 pypdf 合并多个 PDF、按页拆分、提取文档元数据、旋转指定页面，适合处理归档、拆分单页文件、整理页面方向。
• 文本与表格提取：用 pdfplumber 提取保留版面信息的文本和表格，适合从报告、发票、清单、数据表中抓取可进一步处理的文本。
• PDF 生成：用 reportlab 的 Canvas 或 Platypus 创建单页或多页 PDF，适合生成简单报告、说明文档、测试文件。
• 命令行补充：用 pdftotext 做快速文本转换，用 qpdf 完成合并、拆分等结构操作，适合脚本化和批量处理。
• 进阶任务：扫描 PDF 先转图像再 OCR；水印、图片提取、密码保护按指南处理；表单填写遵循 forms.md，避免误把填写当普通文本替换。

适用边界

这份资料偏工程操作指南，不是 OCR 算法、版面重建或复杂业务表单的自动识别方案。对于 JavaScript pdf-lib、pypdfium2 高级用法、异常排查和更细示例，应继续查看 reference.md。