- プラグイン
- document-skills
- ライセンス
- Proprietary. LICENSE.txt has complete terms
- ソース
- GitHub で見る ↗
説明
次のような場合に使用: ユーザーがPDFファイルに関する操作を行いたい場合。 具体的には以下の操作が含まれます: - PDFからテキストや表の読み取り・抽出 - 複数のPDFを1つに結合・マージ - PDFの分割 - ページの回転 - 透かし(ウォーターマーク)の追加 - 新規PDFの作成 - PDFフォームへの入力 - PDFの暗号化・復号化 - 画像の抽出 - スキャンされたPDFに対するOCR処理(検索可能な形式への変換) ユーザーが `.pdf` ファイルに言及した場合、またはPDFの生成を求めた場合は、このスキルを使用してください。
原文を表示
Use this skill whenever the user wants to do anything with PDF files. This includes reading or extracting text/tables from PDFs, combining or merging multiple PDFs into one, splitting PDFs apart, rotating pages, adding watermarks, creating new PDFs, filling PDF forms, encrypting/decrypting PDFs, extracting images, and OCR on scanned PDFs to make them searchable. If the user mentions a .pdf file or asks to produce one, use this skill.
ユースケース
- ✓PDFからテキストや表を読み取り・抽出したい
- ✓複数のPDFを結合・マージしたい
- ✓PDFを分割したい
- ✓PDFに透かしやセキュリティを追加したい
- ✓スキャンPDFをOCR処理したい
本文(日本語訳)
PDF 処理ガイド
概要
本ガイドでは、PythonライブラリおよびコマンドラインツールによるPDFの基本的な処理操作を説明します。
高度な機能・JavaScriptライブラリ・詳細なサンプルについては REFERENCE.md を参照してください。
PDFフォームへの入力が必要な場合は、FORMS.md を読み、その手順に従ってください。
クイックスタート
from pypdf import PdfReader, PdfWriter
# PDFを読み込む
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")
# テキストを抽出する
text = ""
for page in reader.pages:
text += page.extract_text()
Pythonライブラリ
pypdf — 基本操作
PDFを結合する
from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
reader = PdfReader(pdf_file)
for page in reader.pages:
writer.add_page(page)
with open("merged.pdf", "wb") as output:
writer.write(output)
PDFを分割する
reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
writer = PdfWriter()
writer.add_page(page)
with open(f"page_{i+1}.pdf", "wb") as output:
writer.write(output)
メタデータを抽出する
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Subject: {meta.subject}")
print(f"Creator: {meta.creator}")
ページを回転する
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # 時計回りに90度回転
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber — テキスト・テーブルの抽出
レイアウトを保持してテキストを抽出する
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
テーブルを抽出する
with pdfplumber.open("document.pdf") as pdf:
for i, page in enumerate(pdf.pages):
tables = page.extract_tables()
for j, table in enumerate(tables):
print(f"Table {j+1} on page {i+1}:")
for row in table:
print(row)
高度なテーブル抽出
import pandas as pd
with pdfplumber.open("document.pdf") as pdf:
all_tables = []
for page in pdf.pages:
tables = page.extract_tables()
for table in tables:
if table: # テーブルが空でないか確認
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# すべてのテーブルを結合する
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab — PDFを作成する
基本的なPDF作成
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# テキストを追加
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")
# 線を追加
c.line(100, height - 140, 400, height - 140)
# 保存
c.save()
複数ページのPDFを作成する
from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []
# コンテンツを追加
title = Paragraph("Report Title", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("This is the body of the report. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# 2ページ目
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Content for page 2", styles['Normal']))
# PDFをビルド
doc.build(story)
下付き文字・上付き文字
重要: ReportLabのPDFでは、Unicodeの下付き文字・上付き文字(₀₁₂₃₄₅₆₇₈₉、⁰¹²³⁴⁵⁶⁷⁸⁹)を絶対に使用しないでください。 組み込みフォントにはこれらのグリフが含まれていないため、真っ黒な四角として描画されてしまいます。
代わりに、Paragraph オブジェクト内でReportLab のXMLマークアップタグを使用してください:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# 下付き文字: <sub> タグを使用
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# 上付き文字: <super> タグを使用
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
Paragraph オブジェクトではなくcanvasで直接テキストを描画する場合は、
Unicodeの下付き・上付き文字を使用せず、フォントサイズと位置を手動で調整してください。
コマンドラインツール
pdftotext(poppler-utils)
# テキストを抽出
pdftotext input.pdf output.txt
# レイアウトを保持してテキストを抽出
pdftotext -layout input.pdf output.txt
# 特定のページを抽出
pdftotext -f 1 -l 5 input.pdf output.txt # 1〜5ページ
qpdf
# PDFを結合
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# ページを分割
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# ページを回転
qpdf input.pdf output.pdf --rotate=+90:1 # 1ページ目を90度回転
# パスワードを解除
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk(利用可能な場合)
# 結合
pdftk file1.pdf file2.pdf cat output merged.pdf
# 分割
pdftk input.pdf burst
# 回転
pdftk input.pdf rotate 1east output rotated.pdf
よくある作業
スキャンしたPDFからテキストを抽出する
# 必要: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# PDFを画像に変換
images = convert_from_path('scanned.pdf')
# 各ページにOCRを適用
text = ""
for i, image in enumerate(images):
text += f"Page {i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
透かし(ウォーターマーク)を追加する
from pypdf import PdfReader, PdfWriter
# 透かしを作成(または既存のものを読み込む)
watermark = PdfReader("watermark.pdf").pages[0]
# すべてのページに適用
reader = PdfReader("document.pdf")
writer = PdfWriter()
for page in reader.pages:
page.merge_page(watermark)
writer.add_page(page)
with open("watermarked.pdf", "wb") as output:
writer.write(output)
画像を抽出する
# pdfimages(poppler-utils)を使用
pdfimages -j input.pdf output_prefix
# output_prefix-000.jpg、output_prefix-001.jpg などとしてすべての画像が抽出されます
パスワード保護を設定する
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# パスワードを設定
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
クイックリファレンス
| 作業 | 最適なツール | コマンド / コード |
|---|---|---|
| PDFを結合 | pypdf | writer.add_page(page) |
| PDFを分割 | pypdf | 1ページずつファイルに出力 |
| テキストを抽出 | pdfplumber | page.extract_text() |
| テーブルを抽出 | pdfplumber | page.extract_tables() |
| PDFを作成 | reportlab | Canvas または Platypus |
| コマンドラインで結合 | qpdf | qpdf --empty --pages ... |
| スキャンPDFのOCR | pytesseract | 先に画像に変換する |
| PDFフォームへの入力 | pdf-lib または pypdf(FORMS.md 参照) |
FORMS.md を参照 |
次のステップ
- pypdfium2 の高度な使い方については
REFERENCE.mdを参照してください - JavaScriptライブラリ(pdf-lib)については
REFERENCE.mdを参照してください - PDFフォームへの入力が必要な場合は、
FORMS.mdの手順に従ってください - トラブルシューティングガイドについては
REFERENCE.mdを参照してください
原文(English)を表示
PDF Processing Guide
Overview
This guide covers essential PDF processing operations using Python libraries and command-line tools. For advanced features, JavaScript libraries, and detailed examples, see REFERENCE.md. If you need to fill out a PDF form, read FORMS.md and follow its instructions.
Quick Start
from pypdf import PdfReader, PdfWriter
# Read a PDF
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")
# Extract text
text = ""
for page in reader.pages:
text += page.extract_text()
Python Libraries
pypdf - Basic Operations
Merge PDFs
from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
reader = PdfReader(pdf_file)
for page in reader.pages:
writer.add_page(page)
with open("merged.pdf", "wb") as output:
writer.write(output)
Split PDF
reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
writer = PdfWriter()
writer.add_page(page)
with open(f"page_{i+1}.pdf", "wb") as output:
writer.write(output)
Extract Metadata
reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Subject: {meta.subject}")
print(f"Creator: {meta.creator}")
Rotate Pages
reader = PdfReader("input.pdf")
writer = PdfWriter()
page = reader.pages[0]
page.rotate(90) # Rotate 90 degrees clockwise
writer.add_page(page)
with open("rotated.pdf", "wb") as output:
writer.write(output)
pdfplumber - Text and Table Extraction
Extract Text with Layout
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
Extract Tables
with pdfplumber.open("document.pdf") as pdf:
for i, page in enumerate(pdf.pages):
tables = page.extract_tables()
for j, table in enumerate(tables):
print(f"Table {j+1} on page {i+1}:")
for row in table:
print(row)
Advanced Table Extraction
import pandas as pd
with pdfplumber.open("document.pdf") as pdf:
all_tables = []
for page in pdf.pages:
tables = page.extract_tables()
for table in tables:
if table: # Check if table is not empty
df = pd.DataFrame(table[1:], columns=table[0])
all_tables.append(df)
# Combine all tables
if all_tables:
combined_df = pd.concat(all_tables, ignore_index=True)
combined_df.to_excel("extracted_tables.xlsx", index=False)
reportlab - Create PDFs
Basic PDF Creation
from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas
c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
# Add text
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "This is a PDF created with reportlab")
# Add a line
c.line(100, height - 140, 400, height - 140)
# Save
c.save()
Create PDF with Multiple Pages
from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []
# Add content
title = Paragraph("Report Title", styles['Title'])
story.append(title)
story.append(Spacer(1, 12))
body = Paragraph("This is the body of the report. " * 20, styles['Normal'])
story.append(body)
story.append(PageBreak())
# Page 2
story.append(Paragraph("Page 2", styles['Heading1']))
story.append(Paragraph("Content for page 2", styles['Normal']))
# Build PDF
doc.build(story)
Subscripts and Superscripts
IMPORTANT: Never use Unicode subscript/superscript characters (₀₁₂₃₄₅₆₇₈₉, ⁰¹²³⁴⁵⁶⁷⁸⁹) in ReportLab PDFs. The built-in fonts do not include these glyphs, causing them to render as solid black boxes.
Instead, use ReportLab's XML markup tags in Paragraph objects:
from reportlab.platypus import Paragraph
from reportlab.lib.styles import getSampleStyleSheet
styles = getSampleStyleSheet()
# Subscripts: use <sub> tag
chemical = Paragraph("H<sub>2</sub>O", styles['Normal'])
# Superscripts: use <super> tag
squared = Paragraph("x<super>2</super> + y<super>2</super>", styles['Normal'])
For canvas-drawn text (not Paragraph objects), manually adjust font the size and position rather than using Unicode subscripts/superscripts.
Command-Line Tools
pdftotext (poppler-utils)
# Extract text
pdftotext input.pdf output.txt
# Extract text preserving layout
pdftotext -layout input.pdf output.txt
# Extract specific pages
pdftotext -f 1 -l 5 input.pdf output.txt # Pages 1-5
qpdf
# Merge PDFs
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf
# Split pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf
# Rotate pages
qpdf input.pdf output.pdf --rotate=+90:1 # Rotate page 1 by 90 degrees
# Remove password
qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf
pdftk (if available)
# Merge
pdftk file1.pdf file2.pdf cat output merged.pdf
# Split
pdftk input.pdf burst
# Rotate
pdftk input.pdf rotate 1east output rotated.pdf
Common Tasks
Extract Text from Scanned PDFs
# Requires: pip install pytesseract pdf2image
import pytesseract
from pdf2image import convert_from_path
# Convert PDF to images
images = convert_from_path('scanned.pdf')
# OCR each page
text = ""
for i, image in enumerate(images):
text += f"Page {i+1}:\n"
text += pytesseract.image_to_string(image)
text += "\n\n"
print(text)
Add Watermark
from pypdf import PdfReader, PdfWriter
# Create watermark (or load existing)
watermark = PdfReader("watermark.pdf").pages[0]
# Apply to all pages
reader = PdfReader("document.pdf")
writer = PdfWriter()
for page in reader.pages:
page.merge_page(watermark)
writer.add_page(page)
with open("watermarked.pdf", "wb") as output:
writer.write(output)
Extract Images
# Using pdfimages (poppler-utils)
pdfimages -j input.pdf output_prefix
# This extracts all images as output_prefix-000.jpg, output_prefix-001.jpg, etc.
Password Protection
from pypdf import PdfReader, PdfWriter
reader = PdfReader("input.pdf")
writer = PdfWriter()
for page in reader.pages:
writer.add_page(page)
# Add password
writer.encrypt("userpassword", "ownerpassword")
with open("encrypted.pdf", "wb") as output:
writer.write(output)
Quick Reference
| Task | Best Tool | Command/Code |
|---|---|---|
| Merge PDFs | pypdf | writer.add_page(page) |
| Split PDFs | pypdf | One page per file |
| Extract text | pdfplumber | page.extract_text() |
| Extract tables | pdfplumber | page.extract_tables() |
| Create PDFs | reportlab | Canvas or Platypus |
| Command line merge | qpdf | qpdf --empty --pages ... |
| OCR scanned PDFs | pytesseract | Convert to image first |
| Fill PDF forms | pdf-lib or pypdf (see FORMS.md) | See FORMS.md |
Next Steps
- For advanced pypdfium2 usage, see REFERENCE.md
- For JavaScript libraries (pdf-lib), see REFERENCE.md
- If you need to fill out a PDF form, follow the instructions in FORMS.md
- For troubleshooting guides, see REFERENCE.md
原文・著作権は Anthropic および各プラグイン作者に帰属します。日本語訳は Claude API による自動翻訳です。