pdf · diff
git:20260427.85307e1 to git:20260503.a1f10d4
145 added, 0 removed. Audit A to A.
---
name: pdf
description: "Read, create, edit, split, merge, rotate, watermark, fill, encrypt/decrypt, OCR, or extract text/tables/images from PDF files; use whenever .pdf is mentioned or requested."
license: Proprietary. LICENSE.txt has complete terms
---
# 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
```python
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
```python
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
```python
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
```python
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
```python
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
```python
import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
for page in pdf.pages:
text = page.extract_text()
print(text)
```
#### Extract Tables
```python
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
```python
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
```python
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
```python
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:
```python
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)
```bash
# 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
```bash
# 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)
```bash
# 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
```python
# 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
```python
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
```bash
# 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
```python
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 |
+ | **Markdown → 출판품질 PDF** | **scripts/markdown_to_pdf.py** | **아래 섹션 참조** |
+ ---
+
+ ## Markdown → 출판품질 PDF (한국 기본값)
+
+ `scripts/markdown_to_pdf.py`는 weasyprint 기반 마크다운 → 출판품질 PDF 변환기입니다.
+ 한국 환경에 맞게 A4/25mm 마진/Pretendard 폰트를 기본으로 사용합니다.
+
+ ### 한국 기본값
+
+ | 항목 | 기본값 | 비고 |
+ |------|--------|------|
+ | 페이지 | A4 (210×297mm) | 한국/유럽 표준 |
+ | 마진 | 25mm | 한국 출판 표준 |
+ | 본문 폰트 | Pretendard → Noto Sans KR → 시스템 sans | 자동 다운로드 (SIL OFL 1.1) |
+ | 코드 폰트 | D2Coding → JetBrains Mono → monospace | 자동 다운로드 (SIL OFL 1.1) |
+ | 페이지번호 | 하단 중앙 "N / M" | |
+ | 날짜 형식 | YYYY년 M월 D일 | |
+ | 외부 이미지 fetch | 차단 (트래커 방지) | weasyprint 기본 동작 |
+
+ ### 사용법
+
+ ```bash
+ # 80% 케이스 — 무플래그
+ python skills/pdf/scripts/markdown_to_pdf.py generate spec.md
+ # → spec.pdf 생성, stdout에 경로 한 줄
+
+ # 출력 경로 지정
+ python ... markdown_to_pdf.py generate spec.md docs/spec.pdf
+
+ # 표지 + TOC 포함 (출판 모드)
+ python ... markdown_to_pdf.py generate \
+ --cover --toc \
+ --title "프로젝트 명세서" \
+ --author "팀 이름" \
+ --org "회사명" \
+ spec.md
+
+ # 워터마크 (한글/영문 모두 지원)
+ python ... markdown_to_pdf.py generate --watermark "초안" memo.md
+ python ... markdown_to_pdf.py generate --watermark "DRAFT" memo.md
+ python ... markdown_to_pdf.py generate --watermark "대외비" memo.md
+
+ # 프리뷰 (HTML 렌더 후 브라우저 자동 오픈, PDF 라운드트립 회피)
+ python ... markdown_to_pdf.py preview spec.md
+
+ # 폰트 미리 다운로드 + 의존성 점검
+ python ... markdown_to_pdf.py setup
+ ```
+
+ ### 페이지 구성 옵션 (AskUserQuestion 권장)
+
+ 마크다운을 PDF로 만들 때, 다음을 사용자에게 물어보고 적용하세요:
+
+ **Q1: 표지 페이지를 추가할까요?**
+ - A) 추가 (외부 공유용) → `--cover --title "..." --author "..."`
+ - B) 추가 안 함 (내부 메모) → 옵션 없음
+
+ **Q2: 목차(TOC)를 포함할까요?**
+ - A) 포함 (10페이지 이상이면 추천) → `--toc`
+ - B) 포함 안 함 (짧은 문서)
+
+ **Q3: 워터마크가 필요한가요?**
+ - A) DRAFT/초안 (작업 중) → `--watermark "초안"`
+ - B) 대외비/CONFIDENTIAL → `--watermark "대외비" --confidential`
+ - C) 없음 (최종본)
+
+ **Q4: H1마다 새 페이지로 시작?**
+ - A) 예 (장 단위 문서) → 기본값 (옵션 불필요)
+ - B) 아니오 (메모/단편) → `--no-chapter-breaks`
+
+ ### 옵션 레퍼런스
+
+ | 옵션 | 설명 |
+ |------|------|
+ | `--title TEXT` | 문서 제목 (생략 시 첫 H1) |
+ | `--subtitle TEXT` | 부제 |
+ | `--author TEXT` | 저자 (표지 표기) |
+ | `--org TEXT` | 조직/팀명 (표지 표기) |
+ | `--date TEXT` | 날짜 (생략 시 오늘, 한국식) |
+ | `--cover` | 표지 페이지 추가 |
+ | `--toc` | 목차 추가 |
+ | `--watermark TEXT` | 대각선 워터마크 |
+ | `--confidential` | 우측하단 CONFIDENTIAL 푸터 |
+ | `--no-chapter-breaks` | H1마다 페이지 분할 안 함 |
+ | `--skip-fonts` | 폰트 자동 다운로드 건너뜀 |
+ | `--quiet` | 진행상황 출력 끔 |
+
+ ### Output Contract
+
+ 스크립트 자동화/체이닝을 위한 명확한 출력 규약:
+
+ ```
+ stdout: <output-path> ← 한 줄, 경로만 (성공 시)
+ stderr: 진행상황 메시지 ← --quiet로 끔
+ exit:
+ 0 = 성공
+ 1 = 인자 오류 (입력파일 없음/.md 아님)
+ 2 = 렌더링 실패
+ 3 = 의존성 누락 (weasyprint/markdown 미설치)
+ 4 = 네트워크 실패 (폰트 다운로드 불가)
+ ```
+
+ 캡처 예시:
+ ```bash
+ PDF=$(python markdown_to_pdf.py generate spec.md 2>/dev/null) && open "$PDF"
+ ```
+
+ ### 의존성 설치
+
+ ```bash
+ pip install playwright markdown pygments
+ playwright install chromium # 첫 실행 시 1회만
+ ```
+
+ **왜 playwright?** 우리 `/minos` 스킬이 이미 playwright + Chromium을 사용하므로
+ 의존성이 중복되지 않습니다. Windows/Mac/Linux 모두 동일한 렌더링 결과를 보장하고,
+ GTK 같은 시스템 라이브러리 의존성이 없습니다.
+
+ **셋업 한 방에:**
+ ```bash
+ python skills/pdf/scripts/markdown_to_pdf.py setup
+ # → 의존성 점검 + Chromium 다운로드 + 한글 폰트 다운로드
+ ```
+
+ 폰트는 첫 실행 시 `~/.cache/agent-customizations/fonts/`에 자동 다운로드됩니다 (SIL OFL 1.1 라이선스).
+ 오프라인 환경이면 `--skip-fonts`로 시스템 폰트만 사용 가능합니다.
+
+ ### Clio 통합
+
+ `/clio` 스킬의 Phase 3에서 산출물(PRD/TECHNICAL/USER-MANUAL)을 PDF로 자동 출력할 때 사용됩니다. Clio가 호출하는 명령:
+
+ ```bash
+ # USER-MANUAL은 표지 + TOC 포함 (외부 공유 빈도 높음)
+ python markdown_to_pdf.py generate \
+ --cover --toc \
+ --title "{프로젝트명} 사용자 매뉴얼" \
+ USER-MANUAL.md
+
+ # PRD/TECHNICAL은 TOC만 (내부 문서)
+ python markdown_to_pdf.py generate --toc PRD.md
+ python markdown_to_pdf.py generate --toc TECHNICAL.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
+ - **Markdown → 출판 PDF**: 위 섹션 참조 (한국 기본값: A4 + Pretendard)