PDF処理スキル

PDFファイルの操作に必要なPythonライブラリとコマンドラインツールを提供する。

依存関係

# コマンドラインツール
brew install poppler qpdf  # macOS
apt-get install poppler-utils qpdf  # Ubuntu/Debian

# Pythonライブラリ
pip install pypdf pdfplumber reportlab pdf2image pillow pytesseract

主要操作

テキスト抽出

# レイアウトを保持してテキスト抽出
pdftotext -layout input.pdf output.txt

import pdfplumber

with pdfplumber.open("input.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

テーブル抽出

import pdfplumber
import pandas as pd

with pdfplumber.open("input.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            df = pd.DataFrame(table[1:], columns=table[0])
            print(df)

PDF作成

from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont

# 日本語フォント登録（必要に応じて）
# pdfmetrics.registerFont(TTFont('IPAGothic', '/path/to/ipag.ttf'))

c = canvas.Canvas("output.pdf", pagesize=A4)
c.drawString(100, 750, "Hello, PDF!")
c.save()

PDF結合

qpdf --empty --pages input1.pdf input2.pdf -- merged.pdf

from pypdf import PdfWriter

writer = PdfWriter()
writer.append("input1.pdf")
writer.append("input2.pdf")
writer.write("merged.pdf")

PDF分割

# 各ページを個別ファイルに
qpdf input.pdf --split-pages output_%d.pdf

# 特定ページを抽出
qpdf input.pdf --pages . 1-3,5 -- output.pdf

画像抽出

pdfimages -j input.pdf output_prefix

OCR（スキャン文書）

from pdf2image import convert_from_path
import pytesseract

images = convert_from_path("scanned.pdf")
for i, image in enumerate(images):
    text = pytesseract.image_to_string(image, lang='jpn')  # 日本語
    print(f"Page {i+1}:\n{text}")

フォーム処理

PDFフォームの記入方法は references/forms.md を参照。2つのパスがある：

1. フィル可能フィールドがある場合: scripts/check_fillable_fields.py で確認後、scripts/fill_fillable_fields.py を使用
2. フィル可能フィールドがない場合: 画像解析でフィールド位置を特定し、scripts/fill_pdf_form_with_annotations.py でアノテーションとして追加

詳細リファレンス

• 高度なライブラリ使用法: references/advanced-reference.md
• フォーム記入ワークフロー: references/forms.md

クイックリファレンス