在日常辦公自動(dòng)化開發(fā)中PDF 是一個(gè)繞不開的“硬骨頭”。很多人習(xí)慣把 Word、Excel 當(dāng)作文本源數(shù)據(jù)處理但只要換成 PDF問題就立刻變多有的 PDF 能復(fù)制出文字有的 PDF 復(fù)制出來全是亂碼還有的 PDF 里面明明有表格但用最直接的解析方式卻怎么都拿不到。隨著企業(yè)內(nèi)部合同、憑證、技術(shù)文檔、報(bào)表越來越多地以 PDF 形式流轉(zhuǎn)掌握用 Python 處理 PDF 的基本思路已經(jīng)成為辦公自動(dòng)化腳本開發(fā)里非常實(shí)用的一項(xiàng)能力。這篇內(nèi)容是 py100 辦公自動(dòng)化系列中 PDF 了解篇的第二篇目標(biāo)是幫大家把 PDF 處理的技術(shù)邊界梳理清楚先弄明白 PDF 和普通文本格式到底差在哪里再熟悉常用處理庫的選型邏輯最后通過“提取關(guān)鍵詞頁面、批量拆分合并、提取表格寫入 Excel”三組實(shí)戰(zhàn)把辦公場(chǎng)景里最高頻的幾個(gè)需求完整跑通。適合剛?cè)腴T辦公自動(dòng)化、又想系統(tǒng)學(xué)習(xí) PDF 處理的開發(fā)者如果你的項(xiàng)目已經(jīng)比較成熟也可以重點(diǎn)看后文的常見問題和工程經(jīng)驗(yàn)部分用來排查腳本上線后的邊界情況。1. PDF 辦公自動(dòng)化的真正難點(diǎn)從文件格式說起1.1 辦公場(chǎng)景里的真實(shí)痛點(diǎn)回想一下日常辦公里的典型場(chǎng)景財(cái)務(wù)報(bào)銷需要核對(duì)大量發(fā)票 PDF行政歸檔需要把多份通知合并成一本文件技術(shù)部門需要從產(chǎn)品手冊(cè)中提取帶關(guān)鍵參數(shù)的頁面HR 手里則有成百上千份簡(jiǎn)歷 PDF。這些場(chǎng)景的共同特點(diǎn)是人工作業(yè)太慢、容易漏看、操作重復(fù)度高。很多初學(xué)者接觸 Python 辦公自動(dòng)化時(shí)都希望幾行代碼就能把 PDF 里的文字、表格一次性原樣拿出來但實(shí)際動(dòng)手后會(huì)發(fā)現(xiàn)四個(gè)關(guān)卡第一個(gè)關(guān)卡是“文本到底能不能讀出來”同樣是 PDF電腦生成的 PDF 與掃描儀生成的 PDF 處理方式完全不同。第二個(gè)關(guān)卡是“文字讀出來了順序?qū)Σ粚?duì)”PDF 的文字經(jīng)常存在少量亂序、換行不合理、多余空格的情況。第三個(gè)關(guān)卡是“表格明明可見代碼卻提取不到”這往往和表格是否有完整邊框、頁面是文字還是圖片有很大關(guān)系。第四個(gè)關(guān)卡是“合并拆分、加密解密、加水印”這類需要保持版式穩(wěn)定的操作不能簡(jiǎn)單按文本追加處理。這些關(guān)卡并不是代碼庫不夠好而是 PDF 本身的格式特性決定的。所以我們先從格式層面說清楚為什么 PDF 能成為辦公文件的通用標(biāo)準(zhǔn)又為什么它會(huì)比 HTML、Word 更“難以直接解析”。1.2 PDF 與 Word 等文檔最本質(zhì)的區(qū)別Word、Markdown、HTML 這類格式屬于“流式文檔”內(nèi)容會(huì)隨著頁面大小自動(dòng)重排。作者關(guān)心的是“一個(gè)標(biāo)題下面有一段文字”至于這段文字具體顯示在哪一頁往往由渲染工具決定。讀取這類文件時(shí)程序拿到的是一個(gè)相對(duì)清晰的內(nèi)容結(jié)構(gòu)。PDF 屬于“固定版式文檔”它更像是把一頁紙上的每個(gè)視覺元素都“釘死”在坐標(biāo)上。讀者在屏幕上看到的內(nèi)容就是打印機(jī)實(shí)際輸出的內(nèi)容不會(huì)因?yàn)閾Q了一臺(tái)電腦就重排。PDF 內(nèi)部保存的是一系列圖形對(duì)象、文字對(duì)象和資源信息即使某段文字從語義上屬于同一個(gè)段落也可能因?yàn)榕虐嫘枰徊鸪啥鄠€(gè)小塊散布在同一頁的不同位置。所以 PDF 本質(zhì)上是在模擬一張“電子紙張”。你可以把它理解成“把一張完成的紙質(zhì)打印稿搬到屏幕上”而不是一份保留了標(biāo)題、正文、表格邏輯的源文件。也因?yàn)檫@個(gè)原因Python 解析 PDF 時(shí)很少能像openpyxl讀取 Excel 單元格那樣直接按“行”和“列”讀取內(nèi)容大多數(shù)解析庫都需要根據(jù)坐標(biāo)、字號(hào)、間距來重新推斷文檔結(jié)構(gòu)。很多朋友會(huì)問那 PDF 里到底能不能復(fù)制文字如果這份文件打開后可以選中并復(fù)制說明它至少包含一層文字對(duì)象如果整頁像圖片一樣不可選中說明文件底層主要是位圖或矢量圖形必須先經(jīng)過 OCR光學(xué)字符識(shí)別才能變成可搜索文本。這個(gè)判斷在后面的實(shí)戰(zhàn)中會(huì)反復(fù)用到建議先記住。1.3 辦公自動(dòng)化中處理 PDF 的常見需求清單從辦公腳本的實(shí)際使用頻率來看PDF 處理需求大致可以分為三類需求類別常見場(chǎng)景Python 實(shí)現(xiàn)難度提取類讀取文字、提取表格、提取圖片、讀取元數(shù)據(jù)文字和元數(shù)據(jù)簡(jiǎn)單圖片和復(fù)雜表格中等操作類合并 PDF、拆分 PDF、調(diào)整頁序、加密解密簡(jiǎn)單接口成熟風(fēng)險(xiǎn)較低轉(zhuǎn)換類PDF 轉(zhuǎn) Word、PDF 轉(zhuǎn) Excel、網(wǎng)頁打印成 PDF版式還原難度高通常依賴專用工具庫本次文章聚焦“提取類”和“操作類”中的高頻入門需求。對(duì)于轉(zhuǎn)換類我們會(huì)在實(shí)戰(zhàn)三中演示“PDF 表格轉(zhuǎn)為 Excel”的場(chǎng)景因?yàn)楸砀駭?shù)據(jù)進(jìn)入 Excel 后才方便繼續(xù)做統(tǒng)計(jì)、透視或匯總。至于“PDF 轉(zhuǎn) Word 后是否保真”這類問題涉及版式還原工程上需要根據(jù)實(shí)際文件質(zhì)量評(píng)估不能盲目相信自動(dòng)轉(zhuǎn)換結(jié)果。針對(duì)上述需求下面我們先準(zhǔn)備好 Python 環(huán)境和常用庫。這里我不會(huì)把 PDF 處理寫得黑科技化每天工作中的真實(shí)要求其實(shí)很簡(jiǎn)單庫要穩(wěn)定、代碼要能讀懂、出問題時(shí)要快速定位到具體文件。2. 準(zhǔn)備工作Python 環(huán)境與 PDF 庫選型2.1 環(huán)境檢查與安裝建議本文示例使用 Python 3.9 之后的常見版本操作系統(tǒng)不限Windows、macOS、Linux 都可以運(yùn)行。建議為每個(gè)辦公自動(dòng)化項(xiàng)目單獨(dú)創(chuàng)建虛擬環(huán)境避免不同項(xiàng)目之間互相污染依賴。命令如下python --version pip --version如果電腦上同時(shí)存在 Python 2 或 Anaconda 等多個(gè)版本建議先使用where python或which python確認(rèn)當(dāng)前命令指向哪個(gè)解釋器。創(chuàng)建并激活虛擬環(huán)境python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate如果公司網(wǎng)絡(luò)對(duì) PyPI 下載有限制可以配置為內(nèi)部鏡像源或者帶--timeout參數(shù)重試。本文需要安裝的第三方庫如下pip install pdfplumber pypdf openpyxl安裝完成后可以在 Python 交互式環(huán)境中驗(yàn)證導(dǎo)入是否正常import pdfplumber import pypdf import openpyxl print(pdfplumber, pdfplumber.__version__) print(pypdf, pypdf.__version__) print(openpyxl, openpyxl.__version__)這里不指定精確版本號(hào)因?yàn)檗k公項(xiàng)目通常依賴公司內(nèi)部的統(tǒng)一版本策略讀者按自己項(xiàng)目鎖定版本即可。如果之前習(xí)慣使用 PyPDF2也可以遷移到 pypdf兩者 API 比較接近pypdf 的維護(hù)更新更活躍新項(xiàng)目建議直接考慮 pypdf。2.2 常用 PDF 處理庫的功能比較把幾個(gè)主要庫放在一張表里會(huì)更清晰庫名主要用途適合場(chǎng)景注意點(diǎn)pdfplumber讀取文本、提取表格、分析字符坐標(biāo)文字型 PDF 的精細(xì)解析對(duì)掃描件無效復(fù)雜頁面需要調(diào)試pypdf頁數(shù)、元數(shù)據(jù)、合并拆分、加密解密、頁面的旋轉(zhuǎn)裁剪對(duì) PDF 頁面做結(jié)構(gòu)操作文本提取能力簡(jiǎn)單不適合復(fù)雜版面PyMuPDF高性能解析、提取圖片、渲染頁面為圖片、添加水印需要把 PDF 可視化或做批量渲染包的體積較大需要額外了解 APIpdf2docxPDF 轉(zhuǎn) Word把有清晰結(jié)構(gòu)的內(nèi)容轉(zhuǎn)成可編輯的 Word轉(zhuǎn)出結(jié)果不一定完美復(fù)雜版式需要人工復(fù)核reportlab從零生成 PDF 文件把報(bào)表、合同等動(dòng)態(tài)內(nèi)容寫入新 PDF生成排版比讀取更復(fù)雜建議按需學(xué)習(xí)如果是第一次接觸 PDF 處理建議先專注掌握兩個(gè)庫pdfplumber負(fù)責(zé)“讀懂內(nèi)容”pypdf負(fù)責(zé)“整理頁面”。等遇到“讀取圖片”或者“把 PDF 頁面轉(zhuǎn)成圖片做 OCR”的需求時(shí)再引入 PyMuPDF 即可不需要一開始把所有庫都學(xué)完。2.3 演示用的目錄結(jié)構(gòu)為了便于后續(xù)實(shí)戰(zhàn)演示建議創(chuàng)建如下目錄結(jié)構(gòu)。路徑名稱可以根據(jù)實(shí)際情況調(diào)整保持統(tǒng)一即可pdf_office/ ├── pdfs/ # 存放原始 PDF 文件 ├── output/ # 存放腳本輸出結(jié)果 ├── search_pdf_pages.py # 實(shí)戰(zhàn)一腳本 ├── merge_pdfs.py # 實(shí)戰(zhàn)二合并腳本 ├── split_pdf.py # 實(shí)戰(zhàn)二拆分腳本 └── table_export.py # 實(shí)戰(zhàn)三腳本在下面的代碼里我會(huì)統(tǒng)一用Path來拼接路徑避免 Windows 和 Linux 上的斜杠問題。3. 了解 PDF 讀取的基本邏輯提取文字與元數(shù)據(jù)3.1 第一個(gè)最小可運(yùn)行示例先用pdfplumber讀取一個(gè)簡(jiǎn)單 PDF 的全部文本。假設(shè)當(dāng)前目錄下存在一份sample.pdf可以從任意一個(gè)文本型 PDF 中截取一頁做測(cè)試import pdfplumber pdf_path pdfs/sample.pdf with pdfplumber.open(pdf_path) as pdf: print(頁數(shù):, len(pdf.pages)) first_page pdf.pages[0] text first_page.extract_text() print(第一頁文本預(yù)覽:) print(text[:500])這段代碼會(huì)打開pdfs/sample.pdf讀取第一頁并打印前 500 個(gè)字符。需要注意extract_text()在沒有任何可提取文本時(shí)會(huì)返回None所以正式代碼里建議寫成text first_page.extract_text() or 原因很簡(jiǎn)單掃描后的 PDF 沒有文字層解析結(jié)果為空是很常見的情況。如果直接當(dāng)成字符串處理None可能引發(fā)后續(xù)的AttributeError。pdfplumber在提取文本時(shí)會(huì)分析頁面上的字符坐標(biāo)盡量按閱讀順序組裝。但 PDF 文件在制作時(shí)可能把頁眉、頁腳、頁碼、正文分成不同區(qū)域所以輸出的順序不一定完全等于人的閱讀順序。舉個(gè)例子如果頁面上有左右兩欄文字解析結(jié)果可能會(huì)先把左欄讀完再讀右欄也可能穿插讀取取決于 PDF 內(nèi)部對(duì)象順序。因此輸出后的文本需要做二次清洗例如去掉多余空行、統(tǒng)一空格、過濾無意義字符。3.2 讀取頁數(shù)與文檔元數(shù)據(jù)辦公自動(dòng)化經(jīng)常需要確認(rèn) PDF 是否完整頁數(shù)是否對(duì)得上、類型是否準(zhǔn)確、文件里有沒有殘留的作者或公司信息。使用pypdf可以方便地讀取這些信息from pypdf import PdfReader pdf_path pdfs/sample.pdf reader PdfReader(pdf_path) print(頁數(shù):, len(reader.pages)) print(文檔信息:, reader.metadata)如果reader.metadata返回的不是None通常會(huì)包含標(biāo)題、作者、創(chuàng)建時(shí)間等信息。有些公司發(fā)送重要文件時(shí)會(huì)通過代碼自動(dòng)清洗掉這些元數(shù)據(jù)。這里我們不展開寫寫入元數(shù)據(jù)的操作但在辦公場(chǎng)景里“發(fā)送 PDF 前先檢查元數(shù)據(jù)是否泄露隱私”是一個(gè)值得養(yǎng)成的習(xí)慣。pypdf同樣可以判斷頁面是否加密reader PdfReader(pdfs/encrypted.pdf) print(文件已加密:, reader.is_encrypted) if reader.is_encrypted: # 僅限處理自己有權(quán)限的文件 reader.decrypt(your_password)對(duì)于已加密的 PDF直接讀取頁面可能拋出異常。合法的做法是先嘗試解密如果忘記密碼只能通過業(yè)務(wù)方或文件創(chuàng)建者找回。千萬不要把“破解他人 PDF 密碼”作為自動(dòng)化目標(biāo)這既違反授權(quán)邊界也可能在法律上帶來風(fēng)險(xiǎn)。辦公自動(dòng)化腳本處理的一定是自己有權(quán)限處理的內(nèi)容。3.3 理解“文本型 PDF”和“掃描型 PDF”的差異有一類 PDF 是直接用編輯軟件導(dǎo)出的文字可以選擇、可以搜索我們稱為“文本型 PDF”另一類是把紙質(zhì)文件通過掃描儀或手機(jī)拍照生成的頁面本質(zhì)上是圖片我們稱為“掃描型 PDF”。后者如果需要提取文字必須首先經(jīng)過 OCR 識(shí)別直觀的體驗(yàn)就像“把圖片中的文字變成可復(fù)制文本”。判斷一份 PDF 屬于哪一類最簡(jiǎn)單的方法是打開文件后按Ctrl F隨便搜索一個(gè)頁面上肉眼可見的詞如果能搜到就是文本型搜不到則很可能只是圖片或看起來像文字但無文字層。代碼判斷時(shí)可以提取一頁文字如果長(zhǎng)度接近 0 或遠(yuǎn)小于肉眼可見的字符量說明文件很可能需要走 OCR 流程。py100 系列后續(xù)如專門講解 OCR可以從 Tesseract、PaddleOCR 等方向繼續(xù)深入學(xué)習(xí)本篇文章中我們重點(diǎn)處理的是可以直接提取內(nèi)容的文本型 PDF。4. 實(shí)戰(zhàn)一批量提取 PDF 指定頁面內(nèi)容并匯總4.1 需求拆解辦公場(chǎng)景中常遇到這樣的任務(wù)在幾十份 PDF 合同或驗(yàn)收單中找到包含“合同編號(hào)”的頁面把文件名稱、頁碼和該頁第一行內(nèi)容匯總成一個(gè)清單方便后續(xù)人工查看。如果手工一份份打開查找很容易漏看使用腳本則可以快速生成一個(gè)可檢索的結(jié)果文件。功能拆解如下遍歷指定目錄下的所有 PDF 文件。逐頁提取文本判斷是否包含目標(biāo)關(guān)鍵詞。如果命中記錄文件名、頁碼和頁面首行片段。把結(jié)果寫入 UTF-8 編碼的文本文件方便在 Excel 或編輯器里查看。這里的關(guān)鍵點(diǎn)不是代碼本身而是異常處理。辦公環(huán)境中 PDF 文件來源多樣難免有個(gè)別文件損壞、加密或包含掃描頁腳本不能因?yàn)橐粋€(gè)文件報(bào)錯(cuò)就中斷整批任務(wù)所以我們需要把單文件異常捕獲住并繼續(xù)處理。4.2 完整代碼新建search_pdf_pages.py保存以下代碼# -*- coding: utf-8 -*- # 文件名search_pdf_pages.py # 說明批量搜索 PDF 頁面中包含指定關(guān)鍵詞的文件與頁碼 import logging from pathlib import Path import pdfplumber INPUT_DIR Path(pdfs) KEYWORD 合同編號(hào) OUTPUT_FILE Path(output/search_result.txt) def main(): logging.basicConfig(levellogging.INFO, format%(levelname)s | %(message)s) pdf_files sorted(INPUT_DIR.glob(*.pdf)) if not pdf_files: logging.warning(目錄中沒有找到 PDF 文件: %s, INPUT_DIR) return results [] for pdf_path in pdf_files: try: with pdfplumber.open(pdf_path) as pdf: total_pages len(pdf.pages) logging.info(開始處理 %s共 %d 頁, pdf_path.name, total_pages) for page_index, page in enumerate(pdf.pages, start1): text page.extract_text() or if KEYWORD in text: # 取頁面第一行非空內(nèi)容作為片段便于人工核對(duì) lines [line.strip() for line in text.splitlines() if line.strip()] snippet lines[0][:80] if lines else text[:80] results.append(f{pdf_path.name}\t第{page_index}頁\t{snippet}) logging.info(命中%s 第 %d 頁, pdf_path.name, page_index) except Exception as exc: logging.error(處理 %s 時(shí)出錯(cuò): %s, pdf_path.name, exc) OUTPUT_FILE.parent.mkdir(parentsTrue, exist_okTrue) with open(OUTPUT_FILE, w, encodingutf-8) as f: f.write(\n.join(results)) logging.info(處理完成共命中 %d 條結(jié)果已寫入 %s, len(results), OUTPUT_FILE) if __name__ __main__: main()代碼里為什么用logging而不是print因?yàn)樵谂刻幚泶罅?PDF 時(shí)如果腳本運(yùn)行時(shí)間較長(zhǎng)我們更希望看到帶級(jí)別的日志也方便以后把日志寫入文件。OUTPUT_FILE.parent.mkdir(parentsTrue, exist_okTrue)保證輸出目錄即使不存在也能自動(dòng)創(chuàng)建避免手動(dòng)新建文件夾。4.3 運(yùn)行與驗(yàn)證命令行執(zhí)行python search_pdf_pages.py預(yù)期日志類似INFO | 開始處理 合同A.pdf共 3 頁 INFO | 命中合同A.pdf 第 1 頁 INFO | 開始處理 項(xiàng)目資料_v2.pdf共 12 頁 INFO | 處理完成共命中 1 條結(jié)果已寫入 output/search_result.txt打開output/search_result.txt每一行由三部分組成用制表符分隔合同A.pdf 第1頁 銷售合同編號(hào)LX-2025-0098這樣的結(jié)果文件可以直接復(fù)制到 Excel 里按制表符分列后形成表格。如果以后需要輸出成 Excel也可以把results改存到openpyxlWorkbook思路是相通的。4.4 需要注意的坑搜索結(jié)果出現(xiàn)漏報(bào)最常見的原因是目標(biāo) PDF 是掃描件或圖片型 PDFextract_text()提取不到文字。出現(xiàn)這種情況時(shí)可以先打印該頁提取到的文本長(zhǎng)度如果一直都是 0盡早提示用戶該文件需要走 OCR 路線不要繼續(xù)在文本提取上浪費(fèi)時(shí)間。搜索出現(xiàn)誤報(bào)常見原因是關(guān)鍵詞是通用詞比如搜索“合同”可能命中頁眉、頁腳、表單說明等位置。解決方案是讓關(guān)鍵詞更加精確例如搜索“合同編號(hào)LX-”而不是“合同”。另外如果關(guān)鍵詞包含中文請(qǐng)確保 Python 源碼文件編碼為 UTF-8在Windows控制臺(tái)遇到編碼問題時(shí)可以臨時(shí)把輸出文件編碼統(tǒng)一寫成 UTF-8并在 Excel 中通過“數(shù)據(jù)-自文本”導(dǎo)入。5. 實(shí)戰(zhàn)二批量合并與拆分 PDF5.1 頁面的操作為什么適合用 pypdf辦公場(chǎng)景中的“合并 PDF”和“拆分 PDF”本質(zhì)上是把 PDF 中的頁面對(duì)象重新組合成一個(gè)新文件。這種操作不關(guān)心頁面內(nèi)部文字的完整語義只關(guān)心“哪幾頁應(yīng)該出現(xiàn)在新文件的什么位置”因此使用pypdf非常合適。試想一個(gè)例子你手上有四份 PDF分別是“報(bào)名表封面”“技術(shù)方案正文”“報(bào)價(jià)清單”“附件說明”需要合并為一個(gè)完整標(biāo)書或者你收到了一個(gè) 80 頁的合同掃描附件但真正需要提交給同事的只有第 3 到第 10 頁。針對(duì)前者合并腳本可以替代手動(dòng)打開多個(gè)文件再另存為的操作針對(duì)后者拆分腳本可以避免一頁頁打印或復(fù)制。5.2 批量合并多個(gè) PDF新建merge_pdfs.py代碼如下# -*- coding: utf-8 -*- # 文件名merge_pdfs.py # 說明把 pdfs 目錄下的多個(gè) PDF 按文件名順序合并為一個(gè) PDF import re from pathlib import Path from pypdf import PdfReader, PdfWriter INPUT_DIR Path(pdfs) OUTPUT_FILE Path(output/merged.pdf) def natural_key(path: Path): 自然排序文件名中的數(shù)字按數(shù)值而不是字符串排序。 return [int(part) if part.isdigit() else part.lower() for part in re.split(r(\d), path.stem)] def merge_pdfs(pdf_dir: Path, output_file: Path) - None: writer PdfWriter() # sorted 默認(rèn)按字符串排序10 會(huì)排在 2 前面所以這里用 natural_key pdf_files sorted(pdf_dir.glob(*.pdf), keynatural_key) if not pdf_files: print(目錄中沒有 PDF 文件) return for pdf_file in pdf_files: reader PdfReader(pdf_file) # 如果 PDF 加密且無權(quán)限continue 或記錄日志 for page in reader.pages: writer.add_page(page) print(f已加入: {pdf_file.name}頁數(shù): {len(reader.pages)}) output_file.parent.mkdir(parentsTrue, exist_okTrue) with open(output_file, wb) as f: writer.write(f) print(f合并完成: {output_file}) if __name__ __main__: merge_pdfs(INPUT_DIR, OUTPUT_FILE)代碼中最容易被忽視的是natural_key函數(shù)。如果目錄下包含1.pdf、2.pdf、10.pdf使用默認(rèn)的字符串排序結(jié)果是1.pdf、10.pdf、2.pdf這顯然不符合日常預(yù)期。通過把文件名中的數(shù)字段轉(zhuǎn)成整數(shù)可以保證1, 2, 10的順序。運(yùn)行python merge_pdfs.py得到output/merged.pdf它的頁面順序和源碼文件順序一致。在正式辦公場(chǎng)景中建議先預(yù)覽合并后的文件重點(diǎn)關(guān)注頁序、文件是否為最新版本。腳本可以快速執(zhí)行但“文件選錯(cuò)版本”這種問題腳本是無法判斷的。5.3 按頁碼范圍拆分 PDF新建split_pdf.py代碼如下# -*- coding: utf-8 -*- # 文件名split_pdf.py # 說明把指定 PDF 的某一段頁碼范圍拆出來另存為新 PDF from pathlib import Path from pypdf import PdfReader, PdfWriter INPUT_FILE Path(pdfs/大文件.pdf) OUTPUT_DIR Path(output/split) START_PAGE 3 # 結(jié)束頁碼從 1 開始 END_PAGE 10 # 結(jié)束頁碼包含該頁 def split_pdf(file_path: Path, output_dir: Path, start_page: int, end_page: int) - None: reader PdfReader(file_path) total_pages len(reader.pages) if start_page 1 or end_page total_pages or start_page end_page: print(f頁碼范圍不合法共 {total_pages} 頁請(qǐng)輸入 1-{total_pages} 之間的頁碼) return writer PdfWriter() # 將人類習(xí)慣的“第 3 頁”轉(zhuǎn)為從 0 開始的索引 for page_index in range(start_page - 1, end_page): writer.add_page(reader.pages[page_index]) output_dir.mkdir(parentsTrue, exist_okTrue) output_file output_dir / f{file_path.stem}-pages_{start_page}-{end_page}.pdf with open(output_file, wb) as f: writer.write(f) print(f拆分成功: {output_file}) if __name__ __main__: split_pdf(INPUT_FILE, OUTPUT_DIR, START_PAGE, END_PAGE)這里有一個(gè)非常容易讓初學(xué)者出錯(cuò)的點(diǎn)PDF 頁面索引從 0 開始代碼里reader.pages[0]實(shí)際是第一頁而用戶習(xí)慣說的“第 1 頁”對(duì)應(yīng)索引 0。在上面的實(shí)現(xiàn)里用戶輸入的START_PAGE3會(huì)被轉(zhuǎn)換為索引 2再通過range連續(xù)取頁目標(biāo)頁碼都會(huì)被包含在內(nèi)。如果需求是“保留第 3 到第 10 頁”上面的寫法是正確的如果你的需求是“從第 3 頁開始拆 10 頁”則應(yīng)該用range(start_page - 1, start_page - 1 page_count)。兩種語義很容易混淆寫腳本前先和需求方確認(rèn)清楚。5.4 加密、解密與權(quán)限邊界拆分或合并加密 PDF 時(shí)pypdf的常見處理流程是reader PdfReader(pdfs/encrypted.pdf) if reader.is_encrypted: reader.decrypt(password_you_have) # 僅限有權(quán)限的文件如果調(diào)用decrypt后仍然無法讀取頁面說明當(dāng)前密碼為空或權(quán)限不足。辦公自動(dòng)化的前提是操作者對(duì)自己手中的文件有合法處理權(quán)限例如公司內(nèi)部文檔管理允許運(yùn)維人員為了歸檔而解密未經(jīng)授權(quán)破解他人文件密碼屬于越權(quán)操作絕對(duì)不能寫入腳本。如果遇到同事發(fā)來的加密文件正確做法是請(qǐng)對(duì)方提供密碼或直接讓對(duì)方解密后重發(fā)。同樣的道理也適用于文件覆蓋。拆分輸出文件建議使用新的文件名或獨(dú)立的輸出目錄不要直接覆蓋原始 PDF避免誤操作后無法恢復(fù)。6. 實(shí)戰(zhàn)三把 PDF 表格提取并寫入 Excel6.1 為什么表格提取與文本提取不是一回事在辦公中PDF 里的表格數(shù)據(jù)往往是最有利用價(jià)值的內(nèi)容例如對(duì)賬單、人員名單、項(xiàng)目進(jìn)度表。按普通文本方式提取表格行列關(guān)系會(huì)被完全打散因此我們需要使用具備表格識(shí)別能力的解析庫。pdfplumber對(duì)表格的提取邏輯大致是識(shí)別頁面上的橫線和豎線坐標(biāo)把頁面區(qū)域劃分成單元格再把落在單元格內(nèi)的字符組裝起來。因此如果 PDF 中的表格有比較完整的邊框提取效果通常非常好如果沒有邊框但用空格分層extract_tables()的準(zhǔn)確性就會(huì)下降。另一種常見情況是掃描 PDF 中表格本身是圖片此時(shí)pdfplumber也無法直接識(shí)別表格必須先做 OCR 或使用專門的 OCR 表格識(shí)別方案。在實(shí)際處理表格之前先用手工方式打開一個(gè)樣例文件觀察表格有幾列、表頭是什么、合并單元格情況如何再確定處理策略成功率和效率都會(huì)更高。6.2 單個(gè) PDF 表格提取的基礎(chǔ)代碼先看單文件如何提取import pdfplumber with pdfplumber.open(pdfs/人員名單.pdf) as pdf: page pdf.pages[0] tables page.extract_tables() for table in tables: for row in table: print(row)page.extract_tables()返回的是一個(gè)列表每個(gè)元素是一張表每張表又是由多行組成的嵌套列表。打印輸出大概是[姓名, 部門, 聯(lián)系電話] [張三, 技術(shù)部, 13800000001] [李四, 市場(chǎng)部, 13800000002]如果打印結(jié)果是[None]或空列表說明當(dāng)前頁面沒有檢測(cè)到表格邊框或者表格結(jié)構(gòu)太復(fù)雜需要先看看頁面中的表格是否由圖片構(gòu)成。6.3 批量寫入 Excel 的完整代碼這里做一個(gè)小型批量處理把pdfs目錄下所有 PDF 中能識(shí)別出的表格都寫入一個(gè) Excel 文件每個(gè) PDF 占一個(gè)工作表。如果 PDF 是一個(gè)銷售報(bào)表多張表結(jié)構(gòu)相同我們也可以再額外增加匯總邏輯把相同表頭的數(shù)據(jù)統(tǒng)一追加到一個(gè)工作表里。為控制文章篇幅我們先實(shí)現(xiàn)“每個(gè) PDF 一個(gè) sheet”的版本。新建table_export.py# -*- coding: utf-8 -*- # 文件名table_export.py # 說明批量把 PDF 中能提取到的表格寫入 Excel import logging from pathlib import Path import pdfplumber from openpyxl import Workbook INPUT_DIR Path(pdfs) OUTPUT_EXCEL Path(output/table_output.xlsx) def sanitize_sheet_name(name: str) - str: Excel 工作表名不能包含 \\ / ? * [ ] : 等字符 for ch in \\/?*[]: name name.replace(ch, _) return name[:31] or Sheet def extract_tables_from_pdf(pdf_path: Path): 返回列表元素為 (頁碼, 表格二維列表) result [] with pdfplumber.open(pdf_path) as pdf: for page_index, page in enumerate(pdf.pages, start1): try: tables page.extract_tables() except Exception as exc: logging.warning(%s 第 %d 頁提取表格失敗: %s, pdf_path.name, page_index, exc) continue for table in tables: if table: result.append((page_index, table)) return result def main(): logging.basicConfig(levellogging.INFO, format%(levelname)s | %(message)s) pdf_files sorted(INPUT_DIR.glob(*.pdf)) if not pdf_files: logging.warning(目錄中沒有 PDF 文件: %s, INPUT_DIR) return wb Workbook() wb.remove(wb.active) # 移除默認(rèn)空白 sheet for pdf_file in pdf_files: tables extract_tables_from_pdf(pdf_file) if not tables: logging.warning(%s 未提取到表格, pdf_file.name) continue sheet_name sanitize_sheet_name(pdf_file.stem) ws wb.create_sheet(titlesheet_name) current_row 1 for page_index, table in tables: # 不同頁碼之間加一個(gè)小標(biāo)題行便于閱讀 ws.cell(rowcurrent_row, column1, valuef--- 第 {page_index} 頁表格 ---) current_row 1 for row in table: # 去除完全為 None 的空行 if not any(cell is not None and str(cell).strip() for cell in row): continue for col_index, cell in enumerate(row, start1): if cell is not None: ws.cell(rowcurrent_row, columncol_index, valuestr(cell).strip()) current_row 1 current_row 1 # 每頁表格之間空一行 logging.info(%s 已寫入共 %d 段表格, pdf_file.name, len(tables)) OUTPUT_EXCEL.parent.mkdir(parentsTrue, exist_okTrue) wb.save(OUTPUT_EXCEL) logging.info(Excel 已保存: %s, OUTPUT_EXCEL) if __name__ __main__: main()這段代碼做了幾件事使用openpyxl.Workbook創(chuàng)建 Excel并移除默認(rèn)空白 sheet避免留下無用的“Sheet”。對(duì)工作表名做了清洗。Excel 中 sheet 名稱不能包含\ / ? * [ ] :并且長(zhǎng)度不能超過 31 個(gè)字符否則保存時(shí)會(huì)直接報(bào)錯(cuò)。對(duì)每個(gè) PDF 創(chuàng)建同名工作表便于對(duì)照原始文件。寫入時(shí)過濾掉整行為空的行因?yàn)閜dfplumber返回的表格經(jīng)常包含一些只有None的空白行。每一頁表格之間加一行說明文字方便肉眼分頁查看。這里把每個(gè) PDF 放一個(gè)工作表在實(shí)際辦公中還有一個(gè)擴(kuò)展思路如果所有 PDF 的結(jié)構(gòu)一樣例如多個(gè)銷售明細(xì)表通常更應(yīng)該把數(shù)據(jù)行追加到同一個(gè) sheet之后再使用 Excel 數(shù)據(jù)透視表做統(tǒng)計(jì)。實(shí)現(xiàn)思路是把第一張表的表頭作為主表頭后續(xù)文件只追加數(shù)據(jù)行。如果想在自動(dòng)化腳本里動(dòng)態(tài)判斷表頭是否一致可以先讀取第一個(gè)文件的第一行再與后續(xù)文件第一行做字符串比較。6.4 運(yùn)行與驗(yàn)證python table_export.py日志輸出類似INFO | 人員名單.pdf 已寫入共 1 段表格 INFO | 費(fèi)用明細(xì).pdf 已寫入共 3 段表格 INFO | Excel 已保存: output/table_output.xlsx打開output/table_output.xlsx可以看到每個(gè) PDF 對(duì)應(yīng)一個(gè)工作表工作表內(nèi)部是按頁標(biāo)記的連續(xù)表格區(qū)域。若打開后發(fā)現(xiàn)某些單元格內(nèi)容不是預(yù)期列例如文字多出來或列錯(cuò)位需要回到源 PDF 分析該表格是否有合并單元格、跨頁斷行等問題。Excel 的“分列”功能有時(shí)可以補(bǔ)救一部分文本導(dǎo)出后的拆列問題但最好還是在源 PDF 階段就盡量保證解析規(guī)則準(zhǔn)確。7. 辦公自動(dòng)化高頻問題與排查思路7.1 常見問題匯總問題現(xiàn)象常見原因解決思路extract_text()返回空或NonePDF 是掃描件/圖片型 PDF沒有文字層確認(rèn)文件是否為掃描件后續(xù)考慮 OCR提取出來的文字中文亂碼PDF 內(nèi)嵌字體不含 Unicode 映射或源文件本身有問題先用閱讀器搜索關(guān)鍵詞測(cè)試再輸出字符編碼信息表格提取不到或列對(duì)不齊表格沒有清晰邊框頁面可能被轉(zhuǎn)成圖片手動(dòng)預(yù)處理表格使用有邊框的排版或視覺化識(shí)別方案合并后第 10 個(gè)文件排在 2 前面文件名按字符串排序使用自然排序函數(shù)把數(shù)字段轉(zhuǎn)成整數(shù)后再排序打開加密 PDF 報(bào)錯(cuò)文件使用了密碼保護(hù)確認(rèn)擁有合法密碼后調(diào)用decrypt保存 Excel 報(bào)“工作表名稱無效”sheet 標(biāo)題包含\ / ? * [ ] :或長(zhǎng)度超過 31清洗工作表名后再寫入腳本處理幾十個(gè)文件時(shí)中斷某個(gè)文件損壞或頁面格式特殊增加 try-except每處理一個(gè)文件記錄日志跳過問題文件7.2 如何排查“讀不出來的 PDF”當(dāng)某個(gè) PDF 無法提取文本時(shí)可以按下面的步驟定位用 PDF 閱讀器打開文件按Ctrl F搜索一個(gè)頁面上肉眼可見的中文詞。如果搜不到把這個(gè)頁面導(dǎo)出成圖片再使用一個(gè)具備 OCR 能力的工具識(shí)別確認(rèn)是否掃描件。在 Python 中只提取首頁文本并打印repr(text)觀察是否有不可見字符或亂碼。如果某些頁面能提取、某些頁面不能說明 PDF 是混合型文件腳本中需要按頁判斷渲染方式。如果文本提取能拿到內(nèi)容但順序錯(cuò)亂檢查該 PDF 是否包含多欄排版、頁眉頁腳或文本框必要時(shí)用pdfplumber提供的高級(jí)參數(shù)extract_text(layoutTrue)或手動(dòng)控制page.crop區(qū)域。7.3 從“能跑”到“穩(wěn)定”的調(diào)試建議很多辦公自動(dòng)化腳本在樣例文件上運(yùn)行順利一放到真實(shí)目錄里就問題百出幾乎都是因?yàn)闆]有處理邊界情況。我的建議是先在待處理目錄里保留少量小文件進(jìn)行調(diào)試并設(shè)置一個(gè)只處理 3 到 5 個(gè)文件的測(cè)試模式確認(rèn)腳本邏輯沒問題后再放開全量目錄。不要一開始就去處理上千份文件那樣只會(huì)增加排障成本。輸出結(jié)果最好帶上源文件名稱與頁碼字段這樣一旦發(fā)現(xiàn)異?？梢钥焖倩厮莸皆?PDF。如果處理的是敏感文檔腳本輸出的臨時(shí)文本也要及時(shí)清理避免在服務(wù)器或共享目錄中留下不必要的明文緩存。8. 工程建議讓 PDF 腳本真正落地辦公場(chǎng)景8.1 文件與路徑方面的工程建議在實(shí)際辦公項(xiàng)目中文件處理需要比教程示例更謹(jǐn)慎。建議將原始文件統(tǒng)一放到一個(gè)可讀目錄把腳本輸出和中間結(jié)果放到另一個(gè)目錄腳本運(yùn)行前先統(tǒng)計(jì)目標(biāo) PDF 數(shù)量和總頁數(shù)便于和預(yù)期結(jié)果核對(duì)。通過Path對(duì)象操作路徑可以避免寫出../pdfs/這類硬編碼也便于后續(xù)在不同操作系統(tǒng)中遷移。批量操作有覆蓋風(fēng)險(xiǎn)的場(chǎng)景建議先復(fù)制一份原文件到備份目錄。例如拆分或加水印時(shí)如果腳本因?yàn)槟硞€(gè) bug 把頁面重復(fù)寫入原始文件至少不會(huì)被破壞。輸出文件命名可以附上時(shí)間戳例如merged_20250201_1530.pdf這樣即使多次運(yùn)行也不會(huì)覆蓋上一次結(jié)果方便版本對(duì)比。8.2 編碼與日志建議辦公文件大量包含中文編碼問題集中體現(xiàn)在文本文件寫入、Excel 表頭、控制臺(tái)輸出三個(gè)位置。Python 3 中源碼默認(rèn) UTF-8現(xiàn)在基本不需要在文件開頭加coding: utf-8聲明但如果團(tuán)隊(duì)仍使用舊編輯器或 Windows 老環(huán)境統(tǒng)一 UTF-8 仍然是最省事的方案。在多文件任務(wù)中print可以用于簡(jiǎn)單調(diào)試生產(chǎn)級(jí)腳本建議使用logging。通過日志能同時(shí)記錄成功、跳過和失敗的文件名方便事后核對(duì)。例如import logging logging.basicConfig( levellogging.INFO, format%(asctime)s | %(levelname)s | %(message)s, handlers[ logging.FileHandler(pdf_process.log, encodingutf-8), logging.StreamHandler() ] )這樣錯(cuò)誤信息同時(shí)輸出到屏幕和文件即使腳本在后臺(tái)運(yùn)行之后也能追查日志。8.3 安全與合規(guī)邊界涉及 PDF 加密、密碼恢復(fù)、文檔內(nèi)容抽取時(shí)邊界非常簡(jiǎn)單只處理業(yè)務(wù)上授權(quán)你處理的文件。辦公自動(dòng)化是為了提升效率不是為了繞過權(quán)限。明文包含身份證號(hào)、手機(jī)號(hào)、銀行卡等敏感信息的 PDF在生成中間文件時(shí)要注意最小化數(shù)據(jù)落盤并設(shè)置合理的訪問權(quán)限。另外PDF 處理結(jié)果不能完全替代人工復(fù)核。合同類文檔建議輸出 PDF 預(yù)覽或生成偏差報(bào)告不會(huì)因?yàn)椤按a能跑”就直接跳過關(guān)鍵內(nèi)容審核。9. 總結(jié)與后續(xù)學(xué)習(xí)方向?qū)懙竭@里py100 辦公自動(dòng)化的 PDF 了解篇第二部分就告一段落了。本篇從 PDF 的“固定版式”特性出發(fā)解釋了為什么 PDF 不能像 Word 一樣直接解析也區(qū)分了文本型 PDF 與掃描型 PDF 兩條技術(shù)路線。環(huán)境方面我們完成了pdfplumber、pypdf、openpyxl的安裝與庫選型實(shí)戰(zhàn)方面分別實(shí)現(xiàn)了“按關(guān)鍵詞搜索頁面并輸出匯總清單”“批量合并與按頁碼范圍拆分 PDF”“把 PDF 表格提取并寫入 Excel”三個(gè)典型場(chǎng)景。對(duì)整個(gè)辦公自動(dòng)化項(xiàng)目來說這三組實(shí)戰(zhàn)基本覆蓋了日常高頻的 PDF 操作。你不需要把 PDF 領(lǐng)域的所有細(xì)節(jié)都一次學(xué)完先把本次的腳本組裝成自己的“通用工具箱”遇到信息抽取就想到pdfplumber遇到頁面重組就想到pypdf遇到表格落盤就想辦法先校驗(yàn)再寫入 Excel。在此基礎(chǔ)上再去看圖像提取、水印定制、把 PDF 頁面渲染成圖片做 OCR就都只是 API 層面的擴(kuò)展了。在動(dòng)手測(cè)試時(shí)建議先用幾頁的簡(jiǎn)單文件跑通流程再逐步投入復(fù)雜文件。這樣做的好處是能把格式問題、編碼問題和代碼邏輯問題分開排查也更容易建立起對(duì) PDF 處理邊界的直觀感受。真正在辦公環(huán)境運(yùn)行前務(wù)必在測(cè)試目錄中保留原始 PDF 的副本并檢查腳本是否帶有意外覆蓋或輸出錯(cuò)亂的風(fēng)險(xiǎn)。希望這篇文章能幫你把 PDF 辦公自動(dòng)化從“看著復(fù)雜”變成“能復(fù)用、能落地”為后續(xù)更高階的 py100 實(shí)戰(zhàn)題目打下基礎(chǔ)。