pdf: procesar archivos PDF con Python

Para quién

Usa esta guía pdf cuando un usuario mencione un archivo .pdf o pida producir un PDF. Cubre leer o extraer texto/tablas, combinar, dividir, rotar, marcar con agua, crear, rellenar formularios, cifrar/descifrar, extraer imágenes y hacer OCR en escaneos para buscar. No sustituye a un lector concreto ni elige por ti un servicio comercial no nombrado.

Encaja mejor si piensas hacer estas operaciones básicas con bibliotecas de Python y herramientas de línea de comandos. El material indica que las funciones avanzadas, las bibliotecas JavaScript y los ejemplos más finos están en REFERENCE.md; no tomes esta introducción como un manual completo. No hay una lista de productos de agente usables; no trates Python o JavaScript como el único runtime mutuamente excluyente. La página oficial de la guía es

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

Primera prueba en 3 minutos

La primera ruta recomendada es el ejemplo de lectura con pypdf del material, no inventar otro instalador. Requisito: Python ya está en la máquina y puedes ejecutar from pypdf import PdfReader, PdfWriter. Si la importación falla, detente en el error de importación; no reescribas el PDF.

Primera prueba de bajo riesgo: prepara un document.pdf local que ya exista. Confirma que el archivo está ahí, ábrelo en solo lectura e imprime el número de páginas:

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

Señal de éxito: el terminal imprime Pages: más un número. Esto es lectura, no combinación, cifrado ni sobrescritura. Si el archivo no existe, detente en el fallo de apertura; no crees ni descargues un PDF no nombrado. PdfWriter se importa en la misma línea, pero no llames a escritura en disco en la primera prueba.

Casos de uso

Caso 1: confirmar cuántas páginas tiene un PDF local y usar eso como punto de partida para extraer después. La operación es el PdfReader("document.pdf") y len(reader.pages) de arriba. El material lista leer y extraer texto/tablas como capacidades, pero el extracto solo escribe completo el print del número de páginas, así que el primer criterio de cierre es obtener ese número. Si también hace falta texto, vuelve a la misma página a buscar la llamada correspondiente; no trates la salida del número de páginas como si ya se hubiera extraído el texto completo.

Caso 2: hay que rellenar un formulario PDF. El material dice: If you need to fill out a PDF form, read FORMS.md and follow its instructions. El primer paso de esta ruta es abrir FORMS.md y seguir sus pasos, no inventar campos ni comandos de guardado en esta página. El criterio de cierre es haber empezado según FORMS.md, no asumir que el formulario ya se envió. Si el objetivo real es OCR de un escaneo, el material da por separado pip install pytesseract pdf2image y convert_from_path; es otra ruta con dependencias extra: no la mezcles con el relleno en un solo paso.

Límites de uso

Las operaciones básicas apuntan a bibliotecas de Python y herramientas de línea de comandos; lo avanzado, JavaScript y los ejemplos detallados apuntan a REFERENCE.md y no se desarrollan aquí. El OCR necesita pytesseract y pdf2image; convierte primero las páginas en imágenes. Rellenar formularios debe pasar por FORMS.md.

El material no da un paquete de instalación gráfico ni una lista de clientes. Combinar, dividir, rotar, marca de agua, cifrar y extraer imágenes se nombran como capacidades, pero el extracto no da comandos completos de esas operaciones, así que no las escribas como pasos ya copiables. Antes de escribir en disco, cifrar o sobrescribir el archivo original, confirma la ruta de destino y los efectos secundarios, luego ejecuta.