📕 PDF 文档处理 - 完整指南

本文档是 PDF 文档处理技能的完整技术参考，包含所有工作流程、代码示例和最佳实践。

📋 概述

PDF 文档处理技能提供全面的 PDF 操作解决方案，支持：

  • 文本和表格提取 - 从 PDF 中提取结构化数据
  • PDF 创建 - 程序化生成专业文档
  • 文档操作 - 合并、拆分、旋转、加密
  • 表单处理 - 填写可填充表单和添加注释
  • OCR 识别 - 处理扫描的 PDF 文档

🔧 核心工具库

Python 库

1. pypdf - 基本 PDF 操作

用途: 读取、合并、拆分、旋转、加密 PDF

安装: pip install pypdf

基本用法:

from pypdf import PdfReader, PdfWriter

# 读取 PDF
reader = PdfReader("document.pdf")
print(f"总页数: {len(reader.pages)}")

# 提取文本
text = ""
for page in reader.pages:
    text += page.extract_text()

2. pdfplumber - 高级数据提取

用途: 精确提取文本和表格，保留布局

安装: pip install pdfplumber

特点:

  • 保留文本布局和位置信息
  • 精确的表格检测和提取
  • 支持提取图像位置信息

3. reportlab - PDF 创建

用途: 程序化生成 PDF 文档

安装: pip install reportlab

特点:

  • 支持复杂布局和样式
  • 可添加图表、表格、图片
  • 多页文档生成

4. pytesseract + pdf2image - OCR

用途: 识别扫描的 PDF 文档

安装:

pip install pytesseract pdf2image
# 还需要安装 Tesseract OCR 引擎

📊 工作流程详解

工作流 1: 数据提取

适用场景: 从 PDF 报告、发票、表格中提取结构化数据

步骤 1: 读取 PDF

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    print(f"文档有 {len(pdf.pages)} 页")

步骤 2: 提取文本（保留布局）

with pdfplumber.open("document.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        text = page.extract_text()
        print(f"=== 第 {i+1} 页 ===")
        print(text)

步骤 3: 提取表格

import pandas as pd

with pdfplumber.open("invoice.pdf") as pdf:
    all_tables = []
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # 确保表格不为空
                # 假设第一行是表头
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)
    
    # 合并所有表格
    if all_tables:
        result = pd.concat(all_tables, ignore_index=True)
        result.to_excel("extracted_data.xlsx", index=False)

步骤 4: 高级表格提取（处理跨页表格）

with pdfplumber.open("multi_page_table.pdf") as pdf:
    tables_settings = {
        "vertical_strategy": "lines",
        "horizontal_strategy": "lines",
    }
    
    all_rows = []
    for page in pdf.pages:
        table = page.extract_table(table_settings=tables_settings)
        if table:
            all_rows.extend(table)
    
    df = pd.DataFrame(all_rows[1:], columns=all_rows[0])
    df.to_csv("output.csv", index=False)

工作流 2: PDF 文档操作

2.1 合并 PDF

基础合并:

from pypdf import PdfWriter

writer = PdfWriter()

# 方法 1: 使用 append
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    writer.append(pdf_file)

writer.write("merged.pdf")

高级合并（选择特定页面）:

from pypdf import PdfReader, PdfWriter

writer = PdfWriter()

# 从 doc1.pdf 添加第 1-3 页
reader1 = PdfReader("doc1.pdf")
for page_num in range(0, 3):  # 页面索引从 0 开始
    writer.add_page(reader1.pages[page_num])

# 从 doc2.pdf 添加第 5 页
reader2 = PdfReader("doc2.pdf")
writer.add_page(reader2.pages[4])

with open("custom_merge.pdf", "wb") as output:
    writer.write(output)

2.2 拆分 PDF

拆分为单页文件:

from pypdf import PdfReader, PdfWriter

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)

按范围拆分:

reader = PdfReader("document.pdf")

# 提取第 1-5 页
writer_part1 = PdfWriter()
for i in range(0, 5):
    writer_part1.add_page(reader.pages[i])
writer_part1.write("pages_1_5.pdf")

# 提取第 6-10 页
writer_part2 = PdfWriter()
for i in range(5, 10):
    writer_part2.add_page(reader.pages[i])
writer_part2.write("pages_6_10.pdf")

2.3 旋转页面

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

# 旋转所有页面 90 度
for page in reader.pages:
    page.rotate(90)  # 顺时针旋转 90 度
    writer.add_page(page)

with open("rotated.pdf", "wb") as output:
    writer.write(output)

旋转特定页面:

reader = PdfReader("input.pdf")
writer = PdfWriter()

for i, page in enumerate(reader.pages):
    # 只旋转第 1 和第 3 页
    if i in [0, 2]:
        page.rotate(180)
    writer.add_page(page)

writer.write("selective_rotate.pdf")

2.4 提取元数据

from pypdf import PdfReader

reader = PdfReader("document.pdf")
meta = reader.metadata

print(f"标题: {meta.title}")
print(f"作者: {meta.author}")
print(f"主题: {meta.subject}")
print(f"创建者: {meta.creator}")
print(f"创建日期: {meta.creation_date}")
print(f"修改日期: {meta.modification_date}")

2.5 添加水印

from pypdf import PdfReader, PdfWriter

# 创建或加载水印 PDF（单页）
watermark = PdfReader("watermark.pdf").pages[0]

# 应用到所有页面
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)

2.6 密码保护

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

for page in reader.pages:
    writer.add_page(page)

# 添加密码（用户密码和所有者密码）
writer.encrypt(
    user_password="user_pass",
    owner_password="owner_pass",
    permissions_flag=0b0100  # 允许打印
)

with open("encrypted.pdf", "wb") as output:
    writer.write(output)

解密 PDF:

reader = PdfReader("encrypted.pdf")
if reader.is_encrypted:
    reader.decrypt("user_pass")

writer = PdfWriter()
for page in reader.pages:
    writer.add_page(page)

writer.write("decrypted.pdf")

工作流 3: PDF 创建

3.1 基础 PDF 创建

from reportlab.lib.pagesizes import letter, A4
from reportlab.pdfgen import canvas

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter

# 添加文本
c.drawString(100, height - 100, "Hello World!")
c.drawString(100, height - 120, "这是使用 reportlab 创建的 PDF")

# 添加线条
c.line(100, height - 140, 400, height - 140)

# 添加矩形
c.rect(100, height - 200, 200, 50)

# 保存
c.save()

3.2 多页文档

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.lib.units import inch

doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []

# 第一页
title = Paragraph("销售报告", styles['Title'])
story.append(title)
story.append(Spacer(1, 0.2*inch))

intro = Paragraph("本报告总结了第一季度的销售数据...", styles['Normal'])
story.append(intro)
story.append(PageBreak())

# 第二页
story.append(Paragraph("详细数据分析", styles['Heading1']))
story.append(Spacer(1, 0.1*inch))

body = Paragraph("详细的销售数据分析内容..." * 50, styles['Normal'])
story.append(body)

# 构建 PDF
doc.build(story)

3.3 添加表格

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle
from reportlab.lib import colors

doc = SimpleDocTemplate("table.pdf", pagesize=letter)
elements = []

# 表格数据
data = [
    ['产品', '数量', '单价', '总价'],
    ['产品A', '100', '¥50', '¥5000'],
    ['产品B', '150', '¥80', '¥12000'],
    ['产品C', '200', '¥30', '¥6000'],
    ['总计', '', '', '¥23000']
]

# 创建表格
table = Table(data)

# 设置样式
table.setStyle(TableStyle([
    ('BACKGROUND', (0, 0), (-1, 0), colors.grey),
    ('TEXTCOLOR', (0, 0), (-1, 0), colors.whitesmoke),
    ('ALIGN', (0, 0), (-1, -1), 'CENTER'),
    ('FONTNAME', (0, 0), (-1, 0), 'Helvetica-Bold'),
    ('FONTSIZE', (0, 0), (-1, 0), 14),
    ('BOTTOMPADDING', (0, 0), (-1, 0), 12),
    ('BACKGROUND', (0, 1), (-1, -2), colors.beige),
    ('BACKGROUND', (0, -1), (-1, -1), colors.lightblue),
    ('GRID', (0, 0), (-1, -1), 1, colors.black)
]))

elements.append(table)
doc.build(elements)

3.4 添加图片

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Image, Paragraph
from reportlab.lib.styles import getSampleStyleSheet

doc = SimpleDocTemplate("image.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []

# 添加标题
story.append(Paragraph("图片示例", styles['Title']))

# 添加图片（自动缩放）
img = Image("chart.png", width=400, height=300)
story.append(img)

doc.build(story)

工作流 4: 表单处理

4.1 填写可填充表单

from pypdf import PdfReader, PdfWriter

reader = PdfReader("form_template.pdf")
writer = PdfWriter()

# 读取表单字段
page = reader.pages[0]
fields = reader.get_fields()

print("可用字段:")
for field_name in fields:
    print(f"  - {field_name}")

# 填写表单
writer.append(reader)
writer.update_page_form_field_values(
    writer.pages[0],
    {
        "Name": "张三",
        "Email": "zhangsan@example.com",
        "Phone": "138-0000-0000",
        "Address": "北京市朝阳区"
    }
)

with open("filled_form.pdf", "wb") as output:
    writer.write(output)

4.2 批量填写表单

import pandas as pd
from pypdf import PdfReader, PdfWriter

# 从 Excel 读取数据
data = pd.read_excel("applicants.xlsx")

template = PdfReader("application_form.pdf")

for index, row in data.iterrows():
    writer = PdfWriter()
    writer.append(template)
    
    # 填写字段
    writer.update_page_form_field_values(
        writer.pages[0],
        {
            "Name": row["姓名"],
            "ID": row["身份证号"],
            "Department": row["部门"],
            "Date": row["日期"].strftime("%Y-%m-%d")
        }
    )
    
    output_file = f"filled_{row['姓名']}.pdf"
    with open(output_file, "wb") as f:
        writer.write(f)
    
    print(f"已生成: {output_file}")

4.3 提取表单字段信息

from pypdf import PdfReader

reader = PdfReader("form.pdf")
fields = reader.get_fields()

print("表单字段详情:")
for field_name, field_info in fields.items():
    print(f"\n字段名: {field_name}")
    print(f"  类型: {field_info.get('/FT')}")
    print(f"  值: {field_info.get('/V')}")
    print(f"  默认值: {field_info.get('/DV')}")

工作流 5: OCR 扫描文档

处理扫描的 PDF（图片格式），转换为可搜索文本。

安装依赖

# Python 库
pip install pytesseract pdf2image

# 系统依赖（Ubuntu/Debian）
sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim poppler-utils

# macOS
brew install tesseract tesseract-lang poppler

OCR 处理

import pytesseract
from pdf2image import convert_from_path

# 转换 PDF 为图片
images = convert_from_path('scanned.pdf', dpi=300)

# OCR 每一页
full_text = ""
for i, image in enumerate(images):
    print(f"正在处理第 {i+1} 页...")
    text = pytesseract.image_to_string(image, lang='chi_sim+eng')
    full_text += f"\n=== 第 {i+1} 页 ===\n"
    full_text += text

# 保存结果
with open("ocr_output.txt", "w", encoding="utf-8") as f:
    f.write(full_text)

创建可搜索的 PDF

from pdf2image import convert_from_path
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter
import pytesseract

images = convert_from_path('scanned.pdf')

c = canvas.Canvas("searchable.pdf", pagesize=letter)

for image in images:
    # OCR 获取文本
    text = pytesseract.image_to_string(image)
    
    # 在背景绘制原始图片
    # 在前景添加透明文本（用于搜索）
    # 这里简化示例，实际需要更复杂的布局
    c.drawString(0, 0, text)
    c.showPage()

c.save()

🔧 命令行工具

qpdf - 通用 PDF 工具

安装: sudo apt-get install qpdf 或 brew install qpdf

合并 PDF:

qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

拆分 PDF:

# 提取第 1-5 页
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf

# 提取第 6-10 页
qpdf input.pdf --pages . 6-10 -- pages6-10.pdf

旋转页面:

# 旋转第 1 页 90 度
qpdf input.pdf output.pdf --rotate=+90:1

# 旋转所有页面
qpdf input.pdf output.pdf --rotate=+90:1-z

解密 PDF:

qpdf --password=mypassword --decrypt encrypted.pdf decrypted.pdf

pdftotext - 文本提取

安装: sudo apt-get install poppler-utils

基本提取:

pdftotext input.pdf output.txt

保留布局:

pdftotext -layout input.pdf output.txt

提取特定页面:

# 提取第 1-5 页
pdftotext -f 1 -l 5 input.pdf output.txt

pdfimages - 图片提取

# 提取所有图片为 JPEG
pdfimages -j input.pdf output_prefix

# 结果: output_prefix-000.jpg, output_prefix-001.jpg, ...

pdftk - PDF 工具包（如果可用）

# 合并
pdftk file1.pdf file2.pdf cat output merged.pdf

# 拆分（burst 生成单页文件）
pdftk input.pdf burst

# 旋转
pdftk input.pdf rotate 1east output rotated.pdf

📋 快速参考表

任务最佳工具命令/代码
提取文本pdfplumberpage.extract_text()
提取表格pdfplumberpage.extract_tables()
合并 PDFpypdfwriter.append(pdf)
拆分 PDFpypdf逐页提取
创建 PDFreportlabCanvas 或 Platypus
填写表单pypdfupdate_page_form_field_values()
OCR 识别pytesseractimage_to_string()
旋转页面pypdfpage.rotate(90)
加密 PDFpypdfwriter.encrypt()
添加水印pypdfpage.merge_page(watermark)
命令行合并qpdfqpdf --empty --pages ...
命令行提取文本pdftotextpdftotext -layout

🎯 最佳实践

1. 性能优化

处理大文件:

# ❌ 不好：一次性读取所有页面
with pdfplumber.open("large.pdf") as pdf:
    all_text = "".join([p.extract_text() for p in pdf.pages])

# ✅ 好：逐页处理
with pdfplumber.open("large.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        process(text)  # 处理后立即释放内存

批量处理:

import concurrent.futures

def process_pdf(pdf_file):
    # 处理单个 PDF
    pass

pdf_files = ["file1.pdf", "file2.pdf", ...]

# 并行处理
with concurrent.futures.ThreadPoolExecutor(max_workers=4) as executor:
    results = executor.map(process_pdf, pdf_files)

2. 错误处理

from pypdf import PdfReader
from pypdf.errors import PdfReadError

try:
    reader = PdfReader("document.pdf")
    if reader.is_encrypted:
        reader.decrypt("password")
    
    for page in reader.pages:
        text = page.extract_text()
        
except PdfReadError as e:
    print(f"PDF 读取错误: {e}")
except Exception as e:
    print(f"未知错误: {e}")

3. 表格提取优化

import pdfplumber

# 自定义表格检测设置
table_settings = {
    "vertical_strategy": "lines",      # 使用线条检测垂直边界
    "horizontal_strategy": "lines",    # 使用线条检测水平边界
    "min_words_vertical": 3,           # 最小垂直词数
    "min_words_horizontal": 3,         # 最小水平词数
}

with pdfplumber.open("complex_table.pdf") as pdf:
    table = pdf.pages[0].extract_table(table_settings=table_settings)

4. 内存管理

# 处理完后显式关闭
reader = PdfReader("file.pdf")
# ... 处理 ...
reader.stream.close()

# 或使用 with 语句（推荐）
with pdfplumber.open("file.pdf") as pdf:
    # 自动关闭
    pass

⚠️ 常见问题

问题 1: 表格提取不准确

原因: PDF 中的表格可能是图片或布局复杂

解决方案:

  1. 调整 table_settings 参数
  2. 对于图片表格，使用 OCR
  3. 考虑手动指定表格区域
# 手动指定表格区域
bbox = (x0, y0, x1, y1)  # 左上角和右下角坐标
table = page.crop(bbox).extract_table()

问题 2: 中文乱码

原因: 字体嵌入问题或编码不支持

解决方案:

# 使用 pdfplumber（通常更好地处理中文）
with pdfplumber.open("chinese.pdf") as pdf:
    text = pdf.pages[0].extract_text()
    # 确保使用 UTF-8 保存
    with open("output.txt", "w", encoding="utf-8") as f:
        f.write(text)

问题 3: 扫描 PDF 无法提取文本

原因: 扫描的 PDF 是图片，没有文本层

解决方案: 使用 OCR（见工作流 5）

问题 4: 表单字段名称未知

解决方案: 先提取字段列表

reader = PdfReader("form.pdf")
fields = reader.get_fields()
for name in fields:
    print(name)

🔗 相关资源

官方文档

进阶主题

  • PDF/A 归档格式 - 长期保存
  • PDF 表单高级功能 - 下拉框、单选按钮
  • PDF 数字签名 - 使用 pyHanko
  • PDF 优化和压缩 - 减小文件大小

📝 总结

PDF 文档处理技能提供了完整的 PDF 操作解决方案：

✅ 数据提取 - pdfplumber 精确提取文本和表格
✅ 文档操作 - pypdf 合并、拆分、加密
✅ PDF 创建 - reportlab 生成专业文档
✅ 表单处理 - 批量填写和数据收集
✅ OCR 识别 - 处理扫描文档

根据具体任务选择合适的工具，遵循最佳实践，可以高效处理各种 PDF 操作需求。