在日常辦公自動(dòng)化開(kāi)發(fā)中PDF 是一個(gè)繞不開(kāi)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(wèn)題就立刻變多有的 PDF 能復(fù)制出文字有的 PDF 復(fù)制出來(lái)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(lái)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(kāi)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(kù)的選型邏輯最后通過(guò)“提取關(guān)鍵詞頁(yè)面、批量拆分合并、提取表格寫(xiě)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(mén)辦公自動(dòng)化、又想系統(tǒng)學(xué)習(xí) PDF 處理的開(kāi)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(jiàn)問(wèn)題和工程經(jīng)驗(yàn)部分用來(lái)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(shuō)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(xiāo)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(mén)需要從產(chǎn)品手冊(cè)中提取帶關(guān)鍵參數(shù)的頁(yè)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(lái)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(lái)”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(lái)了順序?qū)Σ粚?duì)”P(pán)DF 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(jiàn)代碼卻提取不到”這往往和表格是否有完整邊框、頁(yè)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(lèi)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(kù)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(shuō)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(lèi)格式屬于“流式文檔”內(nèi)容會(huì)隨著頁(yè)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(yè)往往由渲染工具決定。讀取這類(lèi)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(yè)紙上的每個(gè)視覺(jué)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(yǔ)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(yè)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(kù)都需要根據(jù)坐標(biāo)、字號(hào)、間距來(lái)重新推斷文檔結(jié)構(gòu)。很多朋友會(huì)問(wèn)那 PDF 里到底能不能復(fù)制文字如果這份文件打開(kāi)后可以選中并復(fù)制說(shuō)明它至少包含一層文字對(duì)象如果整頁(yè)像圖片一樣不可選中說(shuō)明文件底層主要是位圖或矢量圖形必須先經(jīng)過(guò) 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(jiàn)需求清單從辦公腳本的實(shí)際使用頻率來(lái)看PDF 處理需求大致可以分為三類(lèi)需求類(lèi)別常見(jiàn)場(chǎng)景Python 實(shí)現(xiàn)難度提取類(lèi)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(lèi)合并 PDF、拆分 PDF、調(diào)整頁(yè)序、加密解密簡(jiǎn)單接口成熟風(fēng)險(xiǎn)較低轉(zhuǎn)換類(lèi)PDF 轉(zhuǎn) Word、PDF 轉(zhuǎn) Excel、網(wǎng)頁(yè)打印成 PDF版式還原難度高通常依賴(lài)專(zhuān)用工具庫(kù)本次文章聚焦“提取類(lèi)”和“操作類(lèi)”中的高頻入門(mén)需求。對(duì)于轉(zhuǎn)換類(lèi)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(lèi)問(wèn)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(kù)。這里我不會(huì)把 PDF 處理寫(xiě)得黑科技化每天工作中的真實(shí)要求其實(shí)很簡(jiǎn)單庫(kù)要穩(wěn)定、代碼要能讀懂、出問(wèn)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(kù)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(jiàn)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(lài)。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(kù)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(lài)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(kù)的功能比較把幾個(gè)主要庫(kù)放在一張表里會(huì)更清晰庫(kù)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(wú)效復(fù)雜頁(yè)面需要調(diào)試pypdf頁(yè)數(shù)、元數(shù)據(jù)、合并拆分、加密解密、頁(yè)面的旋轉(zhuǎn)裁剪對(duì) PDF 頁(yè)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(yè)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(xiě)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(zhuān)注掌握兩個(gè)庫(kù)pdfplumber負(fù)責(zé)“讀懂內(nèi)容”pypdf負(fù)責(zé)“整理頁(yè)面”。等遇到“讀取圖片”或者“把 PDF 頁(yè)面轉(zhuǎn)成圖片做 OCR”的需求時(shí)再引入 PyMuPDF 即可不需要一開(kāi)始把所有庫(kù)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(chēng)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(lái)拼接路徑避免 Windows 和 Linux 上的斜杠問(wèn)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(yè)做測(cè)試import pdfplumber pdf_path pdfs/sample.pdf with pdfplumber.open(pdf_path) as pdf: print(頁(yè)數(shù):, len(pdf.pages)) first_page pdf.pages[0] text first_page.extract_text() print(第一頁(yè)文本預(yù)覽:) print(text[:500])這段代碼會(huì)打開(kāi)pdfs/sample.pdf讀取第一頁(yè)并打印前 500 個(gè)字符。需要注意extract_text()在沒(méi)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(xiě)成text first_page.extract_text() or 原因很簡(jiǎn)單掃描后的 PDF 沒(méi)有文字層解析結(jié)果為空是很常見(jiàn)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(yè)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(yè)眉、頁(yè)腳、頁(yè)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(yè)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(guò)濾無(wú)意義字符。3.2 讀取頁(yè)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(yè)數(shù)是否對(duì)得上、類(lèi)型是否準(zhǔn)確、文件里有沒(méi)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(yè)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(guò)代碼自動(dòng)清洗掉這些元數(shù)據(jù)。這里我們不展開(kāi)寫(xiě)寫(xiě)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(yè)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(yè)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(guò)業(yè)務(wù)方或文件創(chuàng)建者找回。千萬(wàn)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(lái)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(lèi) 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(chēng)為“文本型 PDF”另一類(lèi)是把紙質(zhì)文件通過(guò)掃描儀或手機(jī)拍照生成的頁(yè)面本質(zhì)上是圖片我們稱(chēng)為“掃描型 PDF”。后者如果需要提取文字必須首先經(jīng)過(guò) 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(lèi)最簡(jiǎn)單的方法是打開(kāi)文件后按Ctrl F隨便搜索一個(gè)頁(yè)面上肉眼可見(jiàn)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(lái)像文字但無(wú)文字層。代碼判斷時(shí)可以提取一頁(yè)文字如果長(zhǎng)度接近 0 或遠(yuǎn)小于肉眼可見(jiàn)的字符量說(shuō)明文件很可能需要走 OCR 流程。py100 系列后續(xù)如專(zhuān)門(mén)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(yè)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(yè)面把文件名稱(chēng)、頁(yè)碼和該頁(yè)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(kāi)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(yè)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(yè)碼和頁(yè)面首行片段。把結(jié)果寫(xiě)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(lái)源多樣難免有個(gè)別文件損壞、加密或包含掃描頁(yè)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(shuō)明批量搜索 PDF 頁(yè)面中包含指定關(guān)鍵詞的文件與頁(yè)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(méi)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(kāi)始處理 %s共 %d 頁(yè), 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(yè)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(yè)\t{snippet}) logging.info(命中%s 第 %d 頁(yè), 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(xiě)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(xiě)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(lèi)似INFO | 開(kāi)始處理 合同A.pdf共 3 頁(yè) INFO | 命中合同A.pdf 第 1 頁(yè) INFO | 開(kāi)始處理 項(xiàng)目資料_v2.pdf共 12 頁(yè) INFO | 處理完成共命中 1 條結(jié)果已寫(xiě)入 output/search_result.txt打開(kāi)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(yè) 銷(xiāo)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(jiàn)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(yè)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(jiàn)原因是關(guān)鍵詞是通用詞比如搜索“合同”可能命中頁(yè)眉、頁(yè)腳、表單說(shuō)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(wèn)題時(shí)可以臨時(shí)把輸出文件編碼統(tǒng)一寫(xiě)成 UTF-8并在 Excel 中通過(guò)“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(yè)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(yè)面對(duì)象重新組合成一個(gè)新文件。這種操作不關(guān)心頁(yè)面內(nèi)部文字的完整語(yǔ)義只關(guān)心“哪幾頁(yè)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(shuō)明”需要合并為一個(gè)完整標(biāo)書(shū)或者你收到了一個(gè) 80 頁(yè)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(yè)。針對(duì)前者合并腳本可以替代手動(dòng)打開(kāi)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(yè)頁(yè)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(shuō)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(méi)有 PDF 文件) return for pdf_file in pdf_files: reader PdfReader(pdf_file) # 如果 PDF 加密且無(wú)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(yè)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(guò)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(yè)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(yè)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(wèn)題腳本是無(wú)法判斷的。5.3 按頁(yè)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(shuō)明把指定 PDF 的某一段頁(yè)碼范圍拆出來(lái)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(yè)碼從 1 開(kāi)始 END_PAGE 10 # 結(jié)束頁(yè)碼包含該頁(yè) 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(yè)碼范圍不合法共 {total_pages} 頁(yè)請(qǐng)輸入 1-{total_pages} 之間的頁(yè)碼) return writer PdfWriter() # 將人類(lèi)習(xí)慣的“第 3 頁(yè)”轉(zhuǎn)為從 0 開(kāi)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(yè)面索引從 0 開(kāi)始代碼里reader.pages[0]實(shí)際是第一頁(yè)而用戶習(xí)慣說(shuō)的“第 1 頁(yè)”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(guò)range連續(xù)取頁(yè)目標(biāo)頁(yè)碼都會(huì)被包含在內(nèi)。如果需求是“保留第 3 到第 10 頁(yè)”上面的寫(xiě)法是正確的如果你的需求是“從第 3 頁(yè)開(kāi)始拆 10 頁(yè)”則應(yīng)該用range(start_page - 1, start_page - 1 page_count)。兩種語(yǔ)義很容易混淆寫(xiě)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(jiàn)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(wú)法讀取頁(yè)面說(shuō)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(xiě)入腳本。如果遇到同事發(fā)來(lái)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(wú)法恢復(fù)。6. 實(shí)戰(zhàn)三把 PDF 表格提取并寫(xiě)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(kù)。pdfplumber對(duì)表格的提取邏輯大致是識(shí)別頁(yè)面上的橫線和豎線坐標(biāo)把頁(yè)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(lái)。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(méi)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(jiàn)情況是掃描 PDF 中表格本身是圖片此時(shí)pdfplumber也無(wú)法直接識(shí)別表格必須先做 OCR 或使用專(zhuān)門(mén)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(kāi)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(mén), 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(shuō)明當(dāng)前頁(yè)面沒(méi)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(yè)面中的表格是否由圖片構(gòu)成。6.3 批量寫(xiě)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(xiě)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(xiāo)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(shuō)明批量把 PDF 中能提取到的表格寫(xiě)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(yè)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(yè)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(méi)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(yè)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(yè)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(yè)表格之間空一行 logging.info(%s 已寫(xiě)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(wú)用的“Sheet”。對(duì)工作表名做了清洗。Excel 中 sheet 名稱(chēng)不能包含\ / ? * [ ] :并且長(zhǎng)度不能超過(guò) 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(xiě)入時(shí)過(guò)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(yè)表格之間加一行說(shuō)明文字方便肉眼分頁(yè)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(xiāo)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(lèi)似INFO | 人員名單.pdf 已寫(xiě)入共 1 段表格 INFO | 費(fèi)用明細(xì).pdf 已寫(xiě)入共 3 段表格 INFO | Excel 已保存: output/table_output.xlsx打開(kāi)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(yè)標(biāo)記的連續(xù)表格區(qū)域。若打開(kāi)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(lái)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(yè)斷行等問(wèn)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(wèn)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(wèn)題與排查思路7.1 常見(jiàn)問(wèn)題匯總問(wèn)題現(xiàn)象常見(jiàn)原因解決思路extract_text()返回空或NonePDF 是掃描件/圖片型 PDF沒(méi)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(lái)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(wèn)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(méi)有清晰邊框頁(yè)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(jué)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(kāi)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(chēng)無(wú)效”sheet 標(biāo)題包含\ / ? * [ ] :或長(zhǎng)度超過(guò) 31清洗工作表名后再寫(xiě)入腳本處理幾十個(gè)文件時(shí)中斷某個(gè)文件損壞或頁(yè)面格式特殊增加 try-except每處理一個(gè)文件記錄日志跳過(guò)問(wèn)題文件7.2 如何排查“讀不出來(lái)的 PDF”當(dāng)某個(gè) PDF 無(wú)法提取文本時(shí)可以按下面的步驟定位用 PDF 閱讀器打開(kāi)文件按Ctrl F搜索一個(gè)頁(yè)面上肉眼可見(jiàn)的中文詞。如果搜不到把這個(gè)頁(yè)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(yè)文本并打印repr(text)觀察是否有不可見(jiàn)字符或亂碼。如果某些頁(yè)面能提取、某些頁(yè)面不能說(shuō)明 PDF 是混合型文件腳本中需要按頁(yè)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(yè)眉頁(yè)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(wèn)題百出幾乎都是因?yàn)闆](méi)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(méi)問(wèn)題后再放開(kāi)全量目錄。不要一開(kāi)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(chēng)與頁(yè)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(yè)數(shù)便于和預(yù)期結(jié)果核對(duì)。通過(guò)Path對(duì)象操作路徑可以避免寫(xiě)出../pdfs/這類(lèi)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(yè)面重復(fù)寫(xiě)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(wèn)題集中體現(xiàn)在文本文件寫(xiě)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(kāi)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(guò)日志能同時(shí)記錄成功、跳過(guò)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(guò)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(pán)并設(shè)置合理的訪問(wèn)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(lèi)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(guò)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(kù)選型實(shí)戰(zhàn)方面分別實(shí)現(xiàn)了“按關(guān)鍵詞搜索頁(yè)面并輸出匯總清單”“批量合并與按頁(yè)碼范圍拆分 PDF”“把 PDF 表格提取并寫(xiě)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(lái)說(shuō)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(yè)面重組就想到pypdf遇到表格落盤(pán)就想辦法先校驗(yàn)再寫(xiě)入 Excel。在此基礎(chǔ)上再去看圖像提取、水印定制、把 PDF 頁(yè)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(yè)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(wèn)題、編碼問(wèn)題和代碼邏輯問(wèn)題分開(kāi)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)。