pdf: PDF-Dateien mit Python verarbeiten

Für wen

Nutze diese pdf-Anleitung, wenn jemand eine .pdf-Datei erwähnt oder eine PDF erstellen will. Sie deckt Lesen oder Extrahieren von Text/Tabellen, Zusammenführen, Teilen, Drehen, Wasserzeichen, Neu erstellen, Formulare ausfüllen, Ver-/Entschlüsseln, Bilder extrahieren sowie OCR auf Scans zur Durchsuchbarkeit ab. Sie ersetzt keinen bestimmten Reader und wählt keine ungenannten kommerziellen Dienste für dich.

Besser passt sie, wenn du diese Basisoperationen mit Python-Bibliotheken und Kommandozeilenwerkzeugen machen willst. Das Material verweist für fortgeschrittene Funktionen, JavaScript-Bibliotheken und feinere Beispiele auf REFERENCE.md — behandle diese Einführung nicht als vollständiges Handbuch. Es gibt keine Liste nutzbarer Agentenprodukte; Python und JavaScript sind keine einander ausschließenden einzigen Laufzeiten. Die offizielle Anleitungsseite ist

https://raw.githubusercontent.com/anthropics/skills/main/skills/pdf/SKILL.md

Ersten Versuch in 3 Minuten abschließen

Der empfohlene erste Weg ist das pypdf-Lesebeispiel im Material, nicht ein selbst gebauter Installer. Voraussetzung: Python ist bereits auf dem Rechner und from pypdf import PdfReader, PdfWriter lässt sich ausführen. Schlägt der Import fehl, bei dem Importfehler stehen bleiben und die PDF nicht umschreiben.

Risikoarmer erster Versuch: eine bereits vorhandene lokale document.pdf bereithalten. Zuerst prüfen, dass die Datei existiert, dann schreibgeschützt öffnen und die Seitenzahl drucken:

from pypdf import PdfReader, PdfWriter
reader = PdfReader("document.pdf")
print(f"Pages: {len(reader.pages)}")

Erfolgssignal: das Terminal gibt Pages: plus eine Zahl aus. Das ist Lesen, kein Zusammenführen, Verschlüsseln oder Überschreiben. Fehlt die Datei, beim Öffnungsfehler stehen bleiben; keine ungenannte PDF neu anlegen oder herunterladen. PdfWriter wird in derselben Zeile importiert, aber beim ersten Mal keinen Schreibvorgang auf die Platte aufrufen.

Anwendungsfälle

Fall 1: Die Seitenzahl einer lokalen PDF feststellen und das als Ausgangspunkt späterer Extraktion nutzen. Die Operation ist das oben gezeigte PdfReader("document.pdf") und len(reader.pages). Das Material nennt Lesen und Text-/Tabellenextraktion als Fähigkeiten, der Auszug schreibt aber nur den Seitenzahldruck vollständig; das erste Fertigkriterium ist daher die Seitenzahl. Wird zusätzlich Text gebraucht, auf derselben Seite den passenden Aufruf suchen — die Seitenzahlausgabe nicht als vollständige Textextraktion ausgeben.

Fall 2: Ein PDF-Formular muss ausgefüllt werden. Das Material sagt: If you need to fill out a PDF form, read FORMS.md and follow its instructions. Der erste Schritt dieses Wegs ist daher, FORMS.md zu öffnen und den Schritten zu folgen, nicht auf dieser Seite Formularfelder oder Speichern-Befehle zu erfinden. Fertig bedeutet, nach FORMS.md begonnen zu haben, nicht anzunehmen, das Formular sei bereits abgeschickt. Ist das Ziel eigentlich OCR auf einem Scan, gibt das Material getrennt pip install pytesseract pdf2image sowie convert_from_path; das ist ein anderer Weg mit Extra-Abhängigkeiten — nicht mit dem Formularausfüllen in einem Schritt vermischen.

Nutzungsgrenzen

Basisoperationen richten sich an Python-Bibliotheken und Kommandozeilenwerkzeuge; Fortgeschrittenes, JavaScript und ausführliche Beispiele verweisen auf REFERENCE.md und werden hier nicht ausgeführt. OCR braucht pytesseract und pdf2image; Seiten zuerst in Bilder wandeln. Formulare müssen über FORMS.md laufen.

Das Material liefert kein GUI-Installationspaket und keine Client-Liste. Zusammenführen, Teilen, Drehen, Wasserzeichen, Verschlüsseln und Bilder extrahieren werden als Fähigkeiten genannt, der Auszug gibt dafür aber keine vollständigen Befehle — sie also nicht als bereits kopierbare Schritte schreiben. Vor dem Schreiben auf die Platte, dem Verschlüsseln oder dem Überschreiben der Originaldatei Zielpfad und Nebenwirkungen prüfen, dann ausführen.