PDF

PDF

Навык собственный: здесь нет вендоренного кода, только рецепты поверх обычных пакетов PyPI. Ставится всё одной строкой:

pip install pypdf pdfplumber pdf2image

pdf2image дополнительно требует бинарники poppler на PATH (pdftoppm, pdftocairo):

Проверка одной командой — pdftoppm -v. Если её нет, всё, что ниже помечено «нужен poppler», работать не будет; остальное будет.

Что чем делать

Извлечь текст

from pypdf import PdfReader

reader = PdfReader("doc.pdf")
print(len(reader.pages), "страниц")
text = "\n".join((page.extract_text() or "") for page in reader.pages)

extract_text() возвращает None для страницы без текстового слоя — отсюда or "". Пустая строка на выходе почти всегда означает скан, а не пустой файл. Проверить это надо явно, иначе дальше по конвейеру поедет пустота:

if not text.strip():
    raise SystemExit("PDF без текстового слоя (скан?) — нужен OCR, extract_text() бесполезен")

Точнее и с раскладкой — pdfplumber:

import pdfplumber

with pdfplumber.open("doc.pdf") as pdf:
    page = pdf.pages[0]
    print(page.extract_text(layout=True))      # сохранить колонки
    for w in page.extract_words()[:5]:
        print(w["text"], w["x0"], w["top"])    # координаты в пунктах, начало отсчёта сверху

Таблицы

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    for i, page in enumerate(pdf.pages, 1):
        for t, table in enumerate(page.extract_tables(), 1):
            print(f"--- стр. {i}, таблица {t}: {len(table)} строк")
            for row in table:
                print(" | ".join("" if c is None else c.replace("\n", " ") for c in row))

Таблица без линий (разделение только пробелами) по умолчанию не находится — надо переключить стратегию:

settings = {"vertical_strategy": "text", "horizontal_strategy": "text"}
tables = page.extract_tables(settings)

Склеить, разрезать, повернуть

from pypdf import PdfReader, PdfWriter

# склейка
w = PdfWriter()
for f in ["a.pdf", "b.pdf"]:
    for page in PdfReader(f).pages:
        w.add_page(page)
w.write("merged.pdf")

# страницы 3–7 (человеческая нумерация) в отдельный файл
r = PdfReader("in.pdf")
w = PdfWriter()
for page in r.pages[2:7]:
    w.add_page(page)
w.write("part.pdf")

# повернуть все страницы на 90° по часовой
r = PdfReader("in.pdf"); w = PdfWriter()
for page in r.pages:
    page.rotate(90)
    w.add_page(page)
w.write("rotated.pdf")

Пароль

from pypdf import PdfReader, PdfWriter

r = PdfReader("locked.pdf")
if r.is_encrypted:
    if not r.decrypt("пароль"):          # 0 = пароль не подошёл
        raise SystemExit("пароль не подошёл")
w = PdfWriter()
for page in r.pages:
    w.add_page(page)
w.write("open.pdf")

# поставить пароль
w = PdfWriter(clone_from="open.pdf")
w.encrypt("новый-пароль", algorithm="AES-256")
w.write("locked2.pdf")

Формы AcroForm

Сначала посмотреть, какие поля вообще есть — угадывать имена бесполезно:

from pypdf import PdfReader

fields = PdfReader("form.pdf").get_fields() or {}
for name, f in fields.items():
    print(repr(name), f.get("/FT"), "=", f.get("/V"))

/FT — тип поля: /Tx текст, /Btn галочка или радиокнопка, /Ch выпадающий список. Пустой словарь означает, что формы в файле нет: поля нарисованы, заполнять их программно нечем — тогда либо печатать текст поверх, либо просить исходник с формой.

from pypdf import PdfReader, PdfWriter

r = PdfReader("form.pdf")
w = PdfWriter(clone_from=r)
w.update_page_form_field_values(
    w.pages[0],
    {"ФИО": "Иванов Иван", "Дата": "23.08.2026"},
    auto_regenerate=False,
)
w.set_need_appearances_writer(True)   # иначе часть читалок покажет поле пустым
w.write("filled.pdf")

set_need_appearances_writer(True) — та самая строчка, без которой заполненная форма открывается пустой в Acrobat, хотя значения в файле лежат. Проверять результат надо чтением обратно, а не тем, что скрипт не упал:

back = PdfReader("filled.pdf").get_fields()
assert back["ФИО"].get("/V") == "Иванов Иван", back["ФИО"].get("/V")

Галочка ставится не True, а именем состояния из самого файла (обычно /Yes, но бывает /On, /1):

states = fields["Согласен"]["/_States_"]     # что реально принимает поле
w.update_page_form_field_values(w.pages[0], {"Согласен": states[0]})

Страницы в картинки (нужен poppler)

from pdf2image import convert_from_path

pages = convert_from_path("doc.pdf", dpi=200, first_page=1, last_page=3)
for i, img in enumerate(pages, 1):
    img.save(f"page-{i:03d}.png", "PNG")

Если poppler не установлен, вызов падает с PDFInfoNotInstalledError — это понятная ошибка, не глушить её try/except.

Метаданные

from pypdf import PdfReader, PdfWriter

print(PdfReader("doc.pdf").metadata)         # /Title, /Author, /CreationDate…

w = PdfWriter(clone_from="doc.pdf")
w.add_metadata({"/Title": "Отчёт", "/Author": "—"})
w.write("doc-clean.pdf")

Метаданные — частый канал утечки: там остаются имя автора, название организации и путь к исходнику. Перед отправкой файла наружу их стоит перезаписать.

Грабли

• Пустой текст ≠ пустой PDF. Скан не имеет текстового слоя; extract_text() честно вернёт пустоту, а конвейер поедет дальше. Проверять явно (см. выше).
• Кириллица в консоли Windows. Печать извлечённого текста падает UnicodeEncodeError в cp1251. В начале скрипта: sys.stdout.reconfigure(encoding="utf-8", errors="replace").
• PdfWriter() без clone_from теряет формы, закладки и вложения — при правке существующего файла всегда PdfWriter(clone_from=...).
• Координаты pdfplumber считаются от верха страницы (top), а внутри PDF-модели — от низа (y0). Смешивать их нельзя.
• pypdf не растеризует. «Сделать из PDF картинку» — только через poppler либо через pdftoppm напрямую.