1. 项目概述1.1 核心需求解析先给大家交代一下背景。这个项目标题看着简单但背后其实是一类特别常见的职场需求你手上有一堆PDF可能是合同、报表、产品手册、论文老板让你把它们合并成一个文件或者把里面的表格数据抽出来做统计再或者要批量把PDF转成Word交给客户修改。手动操作的话Adobe Acrobat要收费在线转换工具涉及隐私风险一旦文件多了还特别浪费时间。用Python来做这件事就是把这些重复劳动脚本化、批量化一次性解决。这个项目适合谁参考我的判断是三类人第一类是日常和数据、文档打交道的办公人员虽然不会写代码但愿意照着脚本改改路径就能用第二类是刚入门Python的开发新手正好借PDF处理这个场景把文件读写、第三方库安装、异常处理这些基础功练扎实第三类是已经在用Python做自动化脚本的开发者想看看PDF这条链路上有哪些好用的库和容易踩的坑。从技术视角看PDF处理可以拆成几个方向文档级别的操作合并、拆分、旋转、加密解密、内容级别的提取文字、图片、表格、格式级别的转换PDF转Word、转图片、转HTML以及内容级别的生成从零创建PDF、模板填充。这个项目覆盖的是前三个方向生成这块会提一嘴但不展开因为实际办公场景里用得更多的是操作已有PDF。那一堆热搜词里有python安装、pycharm配置python环境、vscode python环境配置说明很多人卡在了环境这一关。不管你是哪个平台Python处理PDF这条路线的核心工具链都差不多Python解释器加几个第三方库没有复杂的框架没有分布式一台普通电脑就够了。1.2 方案选型背后的考量PDF这个格式有个特点它看起来是一个文件内部结构却分成好几种类型。有的PDF是文本型的文字可以直接选中、复制有的是扫描型的本质上是图片套了个PDF外壳还有一种是两者的混合体一页里有文字层也有图片层。这个特点直接决定了你选什么库来处理它。我经常被人问处理PDF到底该用哪个库这里不存在一个万能答案真实情况是分场景选工具。PyPDF2/pypdf擅长文档结构操作合并拆分、旋转裁剪、页面重排都很顺手pdfplumber是解析文本和表格的利器尤其是表格提取效果比很多商业软件还好PyMuPDF也就是fitz速度最快渲染PDF为图片、提取图片、OCR预处理都是它的强项pdf2docx专门做PDF转Wordreportlab则是从零生成PDF的首选。这个项目我建议的核心组合是pypdf做文档操作pdfplumber做内容提取pdf2docx做格式转换PyMuPDF做图片提取和渲染。这四个库各管一段配合起来几乎能覆盖日常90%以上的PDF处理需求。至于为什么不推荐用一个库搞定一切后面我会详细对比它们的优劣很多坑就是混用库导致的。2. 环境准备与核心库选型2.1 Python环境安装与验证不管你是Windows、macOS 还是 Linux第一步都是装Python。这里我只说最关键的几点细枝末节不展开。Windows用户建议直接去Python官网下载安装包版本选3.10或3.11都行不建议追最新版本有些第三方库的预编译包还没跟上。安装的时候有一个必须勾选的选项就是 Add Python to PATH很多新手后面在命令行里敲不了python99%是这一步没勾。macOS用户如果装了Homebrew一行brew install python就搞定Linux用户一般自带Python 3但版本可能偏旧建议用apt或yum装新的。装完之后打开命令行敲两行命令验证一下python --version pip --version正常会显示Python 3.x.x和pip的版本号。如果python命令找不到试试python3Windows上还可以检查一下系统环境变量的PATH里有没有Python的安装目录。然后是IDE的选择。这个属于个人习惯我用过的几款里VSCode胜在轻量和免费装一个Python扩展之后调试功能完全够用PyCharm社区版功能更完整尤其是工程管理这块适合开发体量稍大的脚本。各位不用纠结能跑代码就行工具效率的差异远没有想象中大。2.2 三大核心库的功能对比与安装选库这件事说白了就是看需求。我直接给出一张对比表大家按需索取。库名安装命令擅长场景短板pypdfpip install pypdf合并、拆分、旋转、加密解密、元数据修改文本提取能力弱表格提取约等于零pdfplumberpip install pdfplumber文本定位、表格提取、坐标级内容解析处理超大PDF时速度偏慢PyMuPDFpip install PyMuPDF渲染图片、提取图片、OCR预处理、高速文本提取API风格偏底层上手曲线略陡pdf2docxpip install pdf2docxPDF转Word保留版式和表格对扫描版PDF无能为力reportlabpip install reportlab从零生成PDF、报表自动生成不能读取和编辑已有PDF安装命令都特别简单直接用pip装就行。建议一次性把常用的都装上pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab这里有两点要注意。第一不要同时混用PyPDF2和pypdf。PyPDF2是旧库停止维护好几年了新项目直接选pypdf就好它俩的API基本一致但PyPDF2有安全漏洞。第二pdf2docx底层依赖PyMuPDF如果单独装pdf2docx时提示缺依赖自动装上就行。我还遇到过一种情况同时装了多个Python版本pip装到了老版本的site-packages里导致import的时候找不到模块。建议用python -m pip install而不是裸的pip install这样能保证装到当前python对应的环境里。python -m pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab2.3 快速验证环境是否可用装完之后别急着写业务代码先跑一段冒烟测试脚本把能import的都试一遍。这一步特别重要能提前暴露很多环境问题。import pypdf import pdfplumber import fitz import docx print(pypdf版本:, pypdf.__version__) print(pdfplumber版本:, pdfplumber.__version__) print(PyMuPDF版本:, fitz.__doc__) print(python-docx导入成功)如果import fitz报错别慌这是PyMuPDF的导入名不是装错了包。如果import docx报错说明python-docx没装上它是pdf2docx的依赖正常会自动装。冒烟测试过了环境就算齐活了。3. 核心功能实操——文档级操作3.1 PDF合并、拆分与页面重排先说最常用的合并操作。手上有三份PDF要按顺序合成一份用pypdf写起来特别短。from pypdf import PdfReader, PdfWriter def merge_pdfs(file_list, output_path): writer PdfWriter() for file in file_list: reader PdfReader(file) for page in reader.pages: writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) merge_pdfs([合同1.pdf, 合同2.pdf, 附件.pdf], 合并结果.pdf)这段代码的逻辑很直白PdfReader逐页读取源文件的页面PdfWriter把它们添加到输出文件里。有个小细节是writer.write那边要用wb模式因为PDF本质是二进制文件用文本模式写会损坏。拆分PDF正好反过来把一个大文件按页切成多个小文件。比如一年12个月的报表合并成了一整份PDF现在按月拆开from pypdf import PdfReader, PdfWriter def split_pdf(source_path, output_dir, pages_per_file10): reader PdfReader(source_path) total_pages len(reader.pages) for i in range(0, total_pages, pages_per_file): writer PdfWriter() end min(i pages_per_file, total_pages) for page_num in range(i, end): writer.add_page(reader.pages[page_num]) output_name f{output_dir}/拆分_{i // pages_per_file 1}.pdf with open(output_name, wb) as out_file: writer.write(out_file) print(f已生成: {output_name}) split_pdf(全年报表.pdf, ./拆分结果, pages_per_file30)页面重排也简单要调整顺序就改变add_page的调用顺序要旋转页面就调用page.rotate(90)要裁剪就设置page.cropbox的坐标。这些操作的共同点是都在操作PDF的页面树结构理解了这个底层模型你对pypdf的API就能举一反三了。3.2 PDF加密、解密与权限设置有些PDF打开就要密码有些限制了打印和复制这在商业文档里特别常见。pypdf能处理这两种情况。加密一份PDF设置打开密码和权限密码from pypdf import PdfReader, PdfWriter def encrypt_pdf(source_path, output_path, user_password, owner_passwordNone): reader PdfReader(source_path) writer PdfWriter() for page in reader.pages: writer.add_page(page) if owner_password is None: owner_password user_password writer.encrypt(user_passworduser_password, owner_passwordowner_password, permissions_flag0xFFFFFFF0) # 允许打印和复制 with open(output_path, wb) as out_file: writer.write(out_file) encrypt_pdf(内部资料.pdf, 加密资料.pdf, 用户密码123)这里解释一下参数user_password是打开文档要用的密码owner_password是拥有者权限密码拥有者可以修改权限设置。permissions_flag控制允许的操作0xFFFFFFF0表示允许全部操作想要只读不能打印就把这个值改成0。解密就更简单了知道密码就能解除from pypdf import PdfReader, PdfWriter def decrypt_pdf(source_path, output_path, password): reader PdfReader(source_path) if reader.is_encrypted: reader.decrypt(password) writer PdfWriter() for page in reader.pages: writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) decrypt_pdf(加密资料.pdf, 解密资料.pdf, 用户密码123)注意一个细节如果只是PdfReader打开后不调用decrypt直接读取pages有些加密PDF会抛异常或者返回空内容。另外PDF的老加密算法RC4 40位很容易被暴力破解如果这份文件涉及机密信息建议用专业的加密工具重新处理Python脚本只能解决日常的权限控制问题。3.3 页眉页脚与水印添加工作中经常要给PDF加上“内部资料”“仅供预览”的水印或者批量加页码。实现思路是把水印做成一个单页PDF然后用merge_page覆盖到目标页面上。from pypdf import PdfReader, PdfWriter from reportlab.pdfgen import canvas def create_watermark(watermark_text, output_path): c canvas.Canvas(output_path) page_width, page_height 595.27, 841.89 # A4尺寸 c.setFont(Helvetica, 60) c.setFillColorRGB(0.5, 0.5, 0.5, 0.3) # 半透明灰色 c.saveState() c.translate(page_width / 2, page_height / 2) c.rotate(45) c.drawCentredString(0, 0, watermark_text) c.restoreState() c.save() def add_watermark(source_path, watermark_pdf_path, output_path): watermark_reader PdfReader(watermark_pdf_path) watermark_page watermark_reader.pages[0] reader PdfReader(source_path) writer PdfWriter() for page in reader.pages: page.merge_page(watermark_page) writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) create_watermark(内部资料, 水印.pdf) add_watermark(原始文件.pdf, 水印.pdf, 加水印.pdf)我用reportlab生成水印页再用pypdf的merge_page把水印层叠加到每一页上。这个方案的优势是水印是半透明的矢量文字打印出来依然清晰而且不会像图片水印那样把正文盖得看不清。字体选Helvetica是因为它是PDF标准字体不需要额外嵌入字体文件换中文字体就得处理字体嵌入问题坑比较多。4. 核心功能实操——内容提取与解析4.1 文本提取从基础到坐标级定位文本提取是PDF解析里需求最多的场景但也是坑最多的。同样是PDF文件文本型的读起来顺顺当当扫描型的读出来就是一堆乱码或者干脆空白。最简单的文本提取用pypdf就能做from pypdf import PdfReader reader PdfReader(合同.pdf) for i, page in enumerate(reader.pages): text page.extract_text() print(f第{i1}页:) print(text)但pypdf的extract_text实现比较原始碰到复杂的排版、多栏布局、特殊字体嵌入时输出顺序会乱。这种情况我一般用pdfplumber它对文本位置有一个完整的坐标模型。import pdfplumber with pdfplumber.open(产品说明书.pdf) as pdf: for page in pdf.pages: text page.extract_text() print(text)pdfplumber还能做坐标级别的提取比如只提取页面顶部3厘米范围内的文字这在处理页眉页脚、批注信息的时候特别好用import pdfplumber with pdfplumber.open(报表.pdf) as pdf: page pdf.pages[0] # x_tolerance 控制同一行文字之间的合并距离默认3 top_text page.crop((0, 0, page.width, 100)).extract_text(x_tolerance2) print(top_text)这背后的原理是每个字符在PDF内部都有一个坐标位置x, ypdfplumber按坐标把字符组合成单词、行、段落。理解了这个模型后很多奇奇怪怪的提取需求都能实现提取指定区域、按列提取、跳过图片区域提取正文。4.2 表格提取处理复杂表格的实际经验PDF里的表格曾经是数据处理里最让人头疼的问题因为PDF本身不存储表格结构只有线条和文字的位置信息。pdfplumber的extract_table功能通过分析页面上的竖线和横线推断单元格的边界再把文字填入对应单元格。import pdfplumber with pdfplumber.open(财务报表.pdf) as pdf: page pdf.pages[0] tables page.extract_tables() for table in tables: for row in table: print(row)这里有个参数很关键table_settings。遇到表格线不完整、单元格合并的情况默认设置经常提取出乱行需要调策略。我常用的配置是table_settings { vertical_strategy: lines, # 根据线条识别列 horizontal_strategy: lines, # 根据线条识别行 intersection_tolerance: 5, # 交叉点识别容差 } tables page.extract_tables(table_settings)如果表格本身没有绘制完整线条比如只有文字没有边框的“隐形表格”那要改成text策略根据文字的对齐位置来推断列table_settings_text { vertical_strategy: text, horizontal_strategy: text, snap_tolerance: 3, }提取出来的表格数据是二维列表直接转换成pandas的DataFrame就能做数据分析import pandas as pd with pdfplumber.open(销售数据.pdf) as pdf: page pdf.pages[0] table page.extract_tables()[0] df pd.DataFrame(table[1:], columnstable[0]) print(df.head())一个提醒表格里有合并单元格时pdfplumber会把合并的部分在首行填值其他行填空串这是预期行为后续清理需要自己处理空值。4.3 图片提取与PDF页面转图片从PDF里提取图片用PyMuPDF是最快的import fitz def extract_images(pdf_path, output_dir): doc fitz.open(pdf_path) for page_num in range(len(doc)): page doc[page_num] images page.get_images(fullTrue) for img_index, img in enumerate(images): xref img[0] pix fitz.Pixmap(doc, xref) if pix.n - pix.alpha 4: pix fitz.Pixmap(fitz.csRGB, pix) pix.save(f{output_dir}/page{page_num1}_img{img_index1}.png) doc.close() extract_images(图片版手册.pdf, ./extracted_images)这段代码里的几个判断值得解释一下。多色图片如果带了透明度通道alpha保存成PNG可能变色所以要转成RGB模式再存。另外PDF中的同一张图片可能被多个页面引用直接提取会重复可以根据xref编号去重只保留首次出现的那个。把PDF页面渲染成图片是OCR识别前的标准预处理步骤import fitz def pdf_to_images(pdf_path, output_dir, zoom2.0): doc fitz.open(pdf_path) for page_num in range(len(doc)): page doc[page_num] mat fitz.Matrix(zoom, zoom) # 2倍缩放提高清晰度 pix page.get_pixmap(matrixmat) pix.save(f{output_dir}/page_{page_num1}.png) doc.close()zoom参数控制渲染分辨率2倍缩放基本能满足OCR需求3倍以上对复杂图表有提升但耗时翻倍。这个操作的本质是让PyMuPDF把PDF页面画到一张位图上所以页面里文字的清晰度取决于PDF内嵌字体的处理方式。尤其要提一下扫描版PDF的识别流程。这类PDF每页就是一张图片pdfplumber提取出来是空字符串这时候必须先转成图片再做OCR。我常用的链路是PyMuPDF渲染页面为PNG然后用Tesseract或PaddleOCR做文字识别最后把识别结果拼成文本。搜索热词里也有pdf图片中文设置其实就是Python做OCR时中文语言包和编码的问题。PaddleOCR对中文支持是最省心的pip install paddleocr paddlepaddlefrom paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(page_1.png, clsTrue) for line in result[0]: print(line[1][0]) # 识别出的文字4.4 PDF标注信息元数据读取PDF的元数据包括标题、作者、创建时间、修改时间等这些信息在文档管理、自动归档场景里很有用from pypdf import PdfReader reader PdfReader(文档.pdf) meta reader.metadata print(标题:, meta.title) print(作者:, meta.author) print(创建时间:, meta.creation_date) print(PDF版本:, reader.pdf_header)修改元数据略麻烦一些pypdf的新版本支持直接赋值但不同版本的API有差异稳妥做法是先打印type(meta)看看对象类型再决定赋值方式。办公场景里这个功能还有一个妙用批量修改一堆PDF的标题字段方便文件管理软件按标题索引。5. 格式转换实战——PDF转Word与反向需求5.1 用pdf2docx实现PDF转Word重点PDF转Word是搜索热词里曝光度最高的需求网上一搜全是收费工具。用pdf2docx其实能免费做到较高还原度前提是PDF得是文本型的。基本用法很简单from pdf2docx import Converter cv Converter(产品白皮书.pdf) cv.convert(产品白皮书.docx) cv.close()就这么三行一个PDF转Word的任务就完成了。但实际使用中你会发现转出来的Word有三种命运排版基本保持、排版有点乱、排版完全崩了。这取决于源PDF的内部结构。文本型的、线性排版的PDF转换效果最好多栏布局、复杂表格、嵌入图片交错排版的输出结果需要手动整理。我这儿有个提高成功率的做法转换之前先做一页测试不要直接转换整个文档。pdf2docx支持页码范围cv Converter(大型报告.pdf) cv.convert(测试前3页.docx, start0, end2) cv.close()先转前3页看看效果排版能接受的话再全量转换。别嫌这一步多余PDF转Word是重计算操作一本300页的产品手册可能要跑好几分钟发现结果不行再调参数浪费的时间远多于先测试。5.2 PDF转Word后排版变乱的原因与应对为什么会乱根源在于PDF和Word是完全不同的文档模型。PDF记录的是每个元素在页面上的精确位置是一张“快照”Word记录的是流式的段落、样式、表格结构是“活文档”。从快照反推活文档本质上是逆向工程不可能100%还原。应对方案有几个梯队第一梯队源文件是Word生成的PDF且排版简单pdf2docx的还原度能达到90%以上直接就用它。第二梯队源文件是复杂排版或报告类文档转完Word后手动调整段落间距和分栏工作量可控。第三梯队源文件是扫描版PDFpdf2docx完全无能为力因为里面没有文字层。这时候要么先做OCR得到文字再重建Word工作量巨大要么跟需求方确认一下是不是真的需要Word格式——很多时候要的其实就是“能编辑的文字内容”提供带文字的PDF或者Excel表格可能更合适。我个人的经验是办公场景里能用pdfplumber把表格抽成Excel的就不要走PDF转Word再复制粘贴这条路。表格数据到Excel数据结构是完整的后续做透视表都顺滑。5.3 将Word/文本内容导出为PDF反向需求也经常遇到把Word文档转成PDF用于分发。python-docx库读取Word内容再配合reportlab或其他工具生成PDF这里我给出一个简单的文本模板方案from reportlab.pdfgen import canvas from reportlab.lib.pagesizes import A4 def text_to_pdf(text, output_path): c canvas.Canvas(output_path, pagesizeA4) width, height A4 y height - 50 line_height 20 for line in text.splitlines(): if y 50: c.showPage() y height - 50 c.drawString(50, y, line) y - line_height c.save() text_to_pdf(这是一段需要导出为PDF的内容, 输出.pdf)这个方案是纯文本层面的复杂排版需要借助HTML转PDF的路线比如WeasyPrint或者Playwright加载HTML模板再打印成PDF。搜索热词里的web页面pdf打印其实指的就是用Playwright或Selenium把网页打印为PDF的这个能力。6. 实战场景串联——批量合同处理流水线6.1 场景描述与完整代码上面的功能单个看都不复杂真正体现价值的是组合起来形成一个自动化流水线。我举个例子这是我自己做过的真实需求每个月财务给过来50份PDF合同需要做下面这些事——检查每份合同页数是否完整跟清单比对给每份合同加页码水印提取每份合同的金额和签订日期到Excel表最后把50份合同合并成一个PDF存档。整个过程如果用人工操作至少半天而且容易漏。用Python脚本跑整个过程3分钟还能生成一份汇总报告。完整代码如下我把每一步都加了注释import os import re from pypdf import PdfReader, PdfWriter import pdfplumber import pandas as pd from datetime import datetime INPUT_DIR ./contracts OUTPUT_MERGED ./全部合同合并.pdf SUMMARY_EXCEL ./合同信息汇总.xlsx def check_page_count(pdf_path, expected_pages): reader PdfReader(pdf_path) return len(reader.pages) expected_pages def add_page_number(pdf_path, output_path): reader PdfReader(pdf_path) writer PdfWriter() for page_num, page in enumerate(reader.pages, start1): # 使用reportlab生成页码水印层 from reportlab.pdfgen import canvas from reportlab.lib.pagesizes import A4 from io import BytesIO packet BytesIO() c canvas.Canvas(packet, pagesizeA4) c.setFont(Helvetica, 9) c.drawCentredString(A4[0] / 2, 30, f- {page_num} -) c.save() packet.seek(0) watermark_pdf PdfReader(packet) page.merge_page(watermark_pdf.pages[0]) writer.add_page(page) with open(output_path, wb) as f: writer.write(f) def extract_contract_info(pdf_path): info {} with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: text page.extract_text() if not text: continue # 简单的模式匹配这里以合同编号和合同金额为例 match_no re.search(r合同编号\s*[:]\s*(\S), text) match_amount re.search(r合同金额\s*[:]\s*([0-9,.]元?), text) match_date re.search(r签订日期\s*[:]\s*(\d{4}[-/年]\d{1,2}[-/月]\d{1,2}日?), text) if match_no: info[合同编号] match_no.group(1) if match_amount: info[合同金额] match_amount.group(1) if match_date: info[签订日期] match_date.group(1) if len(info) 3: break return info def main(): files [f for f in os.listdir(INPUT_DIR) if f.endswith(.pdf)] files.sort() merged_writer PdfWriter() summary_rows [] for fname in files: src os.path.join(INPUT_DIR, fname) # 检查页数这里假设每份合同应为10页按实际情况改 reader PdfReader(src) actual_pages len(reader.pages) page_ok (actual_pages 10) # 添加页码后临时保存 tmp os.path.join(INPUT_DIR, _numbered_ fname) add_page_number(src, tmp) merged_writer.append(PdfReader(tmp)) # 提取合同关键信息 info extract_contract_info(src) info[文件名] fname info[页数是否10页] 是 if page_ok else f否(实际{actual_pages}页) summary_rows.append(info) # 清理临时文件 os.remove(tmp) # 合并所有合同 with open(OUTPUT_MERGED, wb) as f: merged_writer.write(f) # 生成Excel汇总 df pd.DataFrame(summary_rows) df.to_excel(SUMMARY_EXCEL, indexFalse) print(f处理完成共{len(files)}份合同。) print(f合并文件: {OUTPUT_MERGED}) print(f汇总表: {SUMMARY_EXCEL}) if __name__ __main__: main()这套流水线的核心思路是单个文件处理函数保持纯净一个函数干一件事main函数负责调度和汇总。这样未来如果财务说合同格式变了你只需要改extract_contract_info里的正则规则其他部分不用动。6.2 批处理中的性能优化与进度追踪批量处理还有一个绕不开的问题跑了很久不知道进度万一中途报错前面的工作白费。我的建议是在批处理里加日志和断点续传。日志方案很简单用print输出当前处理到第几个文件for idx, fname in enumerate(files, start1): print(f[{idx}/{len(files)}] 正在处理 {fname} ...) # ...断点续传的思路是先把每个文件处理成中间产物比如都转成带页码的临时PDF全部成功后再合并。上面代码里就是这个模式只不过我直接把临时文件删了。如果处理量大建议保留中间产物出问题时从失败的那一个文件继续重跑而不是全部重新处理。性能方面PDF解析基本都是CPU密集型的没有太多并行优化空间。真要提速可以用concurrent.futures的ProcessPoolExecutor把不同文件的处理丢给多进程from concurrent.futures import ProcessPoolExecutor def process_one(fname): # 单文件的处理逻辑 return fname, True with ProcessPoolExecutor(max_workers4) as executor: results list(executor.map(process_one, files))不过要提醒一句多进程会带来额外的内存开销每个进程都会加载独立的Python环境和PDF库一次处理50份小文件没问题如果单个PDF超过200MB进程数得调小否则内存会爆。7. 常见问题排查与实战心得7.1 环境与依赖故障速查症状可能原因解决方法执行pip install报错externally-managed-environment新版本Python阻止pip全局安装使用虚拟环境或加--break-system-packages参数import fitz报错ModuleNotFoundErrorPyMuPDF未安装或装到别的环境python -m pip install PyMuPDF确认解释器路径import docx报错缺python-docxpip install python-docx中文路径文件打不开编码问题路径临时用英文或用pathlib处理pdfplumber提取大量空白PDF是扫描版没有文字层改用OCR方案先渲染成图片再识别PDF转Word输出乱排版源PDF结构复杂或扫描版先转前几页测试扫描版不能直接转7.2 文本提取乱码与中文编码问题文本提取乱码通常有几种情况。第一种是字体编码映射问题PDF用自定义编码映射字形pypdf提取时还原不出正确的Unicode字符。这个基本无解因为它跟PDF生成器有关pdfplumber解决得稍微好一点因为它把字符映射过程做得更细致但不是100%能还原。第二种是CID字体问题这类字体在PDF里只存字形ID不存Unicode映射多见于老式排版软件生成的PDF。解法是先用PyMuPDF渲染成图片再OCR识别绕开字体解码这道坎。第三种是提取出来是乱码但视觉上正常这是信息论上的“能看不能选”本质是PDF没有真正的文字编码。遇到这种文件别死磕直接走OCR路线是最省事的。中文编码还有个容易被忽略的点用Python写脚本处理含中文路径的文件时尽量在代码文件头部加# -- coding: utf-8 --Python 3默认就是UTF-8Python 3其实不需要但Windows的默认编码不是UTF-8控制台输出中文可能报GBK编码错误。两个解法一是运行前设置环境变量PYTHONIOENCODINGutf-8二是在代码里强制标准输出重编码。这个问题在Windows上尤其常见macOS和Linux基本不会遇到。7.3 内存溢出与超大PDF处理策略200MB以上的PDF直接用pdfplumber逐页读取会占用大量内存因为每页的文字坐标信息都会被完整加载到内存。应对方案有几条第一个是只处理你需要的页面。比如只需要第5页到第10页的数据就只遍历这段范围不要碰其他页。第二个是处理完一页立刻释放引用。用with上下文和逐页循环能帮助Python尽早垃圾回收不再使用的对象。import pdfplumber with pdfplumber.open(超大文件.pdf) as pdf: for i, page in enumerate(pdf.pages): # 处理当前页 text page.extract_text() # 处理完就覆盖引用 page None if i 20: # 只处理前20页 break第三个是遇到超大PDF考虑先拆分成几个小文件再并行处理。pypdf拆分本身很快拆分后每个子任务用独立进程跑能有效避免内存持续攀升。7.4 一个容易被忽略的坑pdf2docx依赖报错pdf2docx这个库在最新版Python上有个坑如果你用的Python版本过新比如3.13某些底层依赖的预编译包还没发布pip install会尝试从源码编译然后大概率失败。遇到这种情况我建议直接用Python 3.10或3.11创建一个虚拟环境专门跑PDF转换相关的脚本。虚拟环境的创建和使用python -m venv pdfenv # Windows激活 pdfenv\Scripts\activate # macOS/Linux激活 source pdfenv/bin/activate pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab pandas用虚拟环境的好处是隔离不同项目之间的依赖冲突。比如你另一个项目用的pandas版本很老而PDF项目要新版pandas各装各的互不干扰。我自己的习惯是只要装了机器上的Python不是专门给PDF处理用的就一律开虚拟环境再装依赖省得把系统环境搞乱了。8. 扩展应用结合爬虫与自动化办公8.1 批量下载并解析PDF的完整链路搜索词里出现了python爬虫和PDF解析的组合这其实是很常见的一个需求从网站批量下载PDF文件然后解析里面的内容做成数据表。比如某个行业报告网站每周更新数十份PDF研报你想把这些研报里的关键数据抽出来存到数据库里。一条完整的链路是requests或httpx下载PDF - pypdf或pdfplumber解析文本 - 正则或规则提取关键字段 - pandas存Excel - 定时任务每天自动执行。这里我给出一个框架大家根据目标网站的结构自行填充下载逻辑import requests import pdfplumber import pandas as pd from io import BytesIO def download_and_parse_pdf(url): resp requests.get(url, timeout30) resp.raise_for_status() with pdfplumber.open(BytesIO(resp.content)) as pdf: first_page_text pdf.pages[0].extract_text() return first_page_text def extract_title_and_date(text): lines text.splitlines() title lines[0] if lines else date for line in lines[:5]: if 202 in line: date line break return title, date urls [ https://example.com/reports/monthly_report_202501.pdf, # 更多URL... ] rows [] for url in urls: try: text download_and_parse_pdf(url) title, date extract_title_and_date(text) rows.append({url: url, 标题: title, 日期: date}) except Exception as e: rows.append({url: url, 错误: str(e)}) df pd.DataFrame(rows) df.to_excel(下载报告信息.xlsx, indexFalse)这个方案用BytesIO把下载的内容直接交给pdfplumber解析不必先在磁盘上落一份临时文件少一道文件清理的活。真实场景里要注意请求频率克制加上合理的延时别给目标服务器造成压力。8.2 企业微信/钉钉机器人推送处理结果自动化处理完PDF后结果怎么通知给业务方官方做法是用企业微信或钉钉的Webhook机器人向群里推送一条消息。代码其实就是一个POST请求几乎没有门槛import requests import json def send_webhook_message(webhook_url, content): data { msgtype: text, text: { content: content } } headers {Content-Type: application/json} resp requests.post(webhook_url, datajson.dumps(data), headersheaders) return resp.json() webhook https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key你的key msg 50份合同处理完成合并文件已生成汇总表见附件。 send_webhook_message(webhook, msg)把这一步接到流水线的最后就实现了一个完整的自动化闭环下班前脚本自动处理当天到的PDF处理完推送到群里第二天大家直接看结果。这种改造带来的效率提升比单纯跑一次脚本要明显得多因为省掉了人工盯进度的时间。8.3 定时任务的配置与注意事项定时执行可以用系统的cronmacOS/Linux或Windows任务计划程序也可以用Python的schedule库在脚本内部做循环。我个人更推荐系统级定时因为脚本崩溃后系统级的重启策略更成熟。简单的cron配置每天凌晨2点执行0 2 * * * cd /path/to/project /path/to/venv/bin/python process_pdfs.py logs/run_$(date \%Y\%m\%d).log 21Windows任务计划程序的配置也不复杂关键点有两个程序选择虚拟环境里的python.exe而不是直接选脚本工作目录设置为脚本所在目录防止相对路径失效。这俩坑我都踩过前者会导致import找不到已安装的库后者会让脚本报FileNotFoundError。定时任务跑PDF处理还要注意文件锁问题。如果脚本要读取正在被写入的PDF可能会解析失败日志里会留一堆异常。建议脚本开头做一次文件状态检测文件大小在短时间内变化就跳过等下一轮。9. 写在最后的一点实战体会做PDF处理这个方向最大的体会是不要企图用一套代码应付所有PDF文件。PDF格式的江湖派系太多有Word导出的、有LaTeX生成的、有扫描仪扫出来的、还有各家厂商的报表系统直接输出的它们内部结构差异极大。我的工作习惯是每接到一个新PDF处理需求先花几分钟分析这个PDF用PyMuPDF打开看看有几页用pdfplumber提取第一页文字看看有没有文字层再检查一下文本提取出来的顺序是否合理。这三步做完基本就能判断出最合适的处理方案了。再分享一个小技巧。很多时候我们需要的是从PDF里抽几个关键字段而不是整篇解析。这时候别执着于把全文提取得完美无缺直接用pyMuPDF快速渲染页面或者pdfplumber提取文字后用正则把需要的字段抠出来就行了。流程短了成功率反而更高。至于后续扩展这个项目的天花板其实很高。比如结合PaddleOCR做全套扫描件识别、把提取的数据自动写入数据库生成看板、或者用LangChain把PDF内容向量化之后做知识库问答这些都是很自然的下一个台阶。先把基础的PDF处理玩明白后面的路会越走越宽。
Python自动化处理PDF：合并、提取表格、转Word全指南
1. 项目概述1.1 核心需求解析先给大家交代一下背景。这个项目标题看着简单但背后其实是一类特别常见的职场需求你手上有一堆PDF可能是合同、报表、产品手册、论文老板让你把它们合并成一个文件或者把里面的表格数据抽出来做统计再或者要批量把PDF转成Word交给客户修改。手动操作的话Adobe Acrobat要收费在线转换工具涉及隐私风险一旦文件多了还特别浪费时间。用Python来做这件事就是把这些重复劳动脚本化、批量化一次性解决。这个项目适合谁参考我的判断是三类人第一类是日常和数据、文档打交道的办公人员虽然不会写代码但愿意照着脚本改改路径就能用第二类是刚入门Python的开发新手正好借PDF处理这个场景把文件读写、第三方库安装、异常处理这些基础功练扎实第三类是已经在用Python做自动化脚本的开发者想看看PDF这条链路上有哪些好用的库和容易踩的坑。从技术视角看PDF处理可以拆成几个方向文档级别的操作合并、拆分、旋转、加密解密、内容级别的提取文字、图片、表格、格式级别的转换PDF转Word、转图片、转HTML以及内容级别的生成从零创建PDF、模板填充。这个项目覆盖的是前三个方向生成这块会提一嘴但不展开因为实际办公场景里用得更多的是操作已有PDF。那一堆热搜词里有python安装、pycharm配置python环境、vscode python环境配置说明很多人卡在了环境这一关。不管你是哪个平台Python处理PDF这条路线的核心工具链都差不多Python解释器加几个第三方库没有复杂的框架没有分布式一台普通电脑就够了。1.2 方案选型背后的考量PDF这个格式有个特点它看起来是一个文件内部结构却分成好几种类型。有的PDF是文本型的文字可以直接选中、复制有的是扫描型的本质上是图片套了个PDF外壳还有一种是两者的混合体一页里有文字层也有图片层。这个特点直接决定了你选什么库来处理它。我经常被人问处理PDF到底该用哪个库这里不存在一个万能答案真实情况是分场景选工具。PyPDF2/pypdf擅长文档结构操作合并拆分、旋转裁剪、页面重排都很顺手pdfplumber是解析文本和表格的利器尤其是表格提取效果比很多商业软件还好PyMuPDF也就是fitz速度最快渲染PDF为图片、提取图片、OCR预处理都是它的强项pdf2docx专门做PDF转Wordreportlab则是从零生成PDF的首选。这个项目我建议的核心组合是pypdf做文档操作pdfplumber做内容提取pdf2docx做格式转换PyMuPDF做图片提取和渲染。这四个库各管一段配合起来几乎能覆盖日常90%以上的PDF处理需求。至于为什么不推荐用一个库搞定一切后面我会详细对比它们的优劣很多坑就是混用库导致的。2. 环境准备与核心库选型2.1 Python环境安装与验证不管你是Windows、macOS 还是 Linux第一步都是装Python。这里我只说最关键的几点细枝末节不展开。Windows用户建议直接去Python官网下载安装包版本选3.10或3.11都行不建议追最新版本有些第三方库的预编译包还没跟上。安装的时候有一个必须勾选的选项就是 Add Python to PATH很多新手后面在命令行里敲不了python99%是这一步没勾。macOS用户如果装了Homebrew一行brew install python就搞定Linux用户一般自带Python 3但版本可能偏旧建议用apt或yum装新的。装完之后打开命令行敲两行命令验证一下python --version pip --version正常会显示Python 3.x.x和pip的版本号。如果python命令找不到试试python3Windows上还可以检查一下系统环境变量的PATH里有没有Python的安装目录。然后是IDE的选择。这个属于个人习惯我用过的几款里VSCode胜在轻量和免费装一个Python扩展之后调试功能完全够用PyCharm社区版功能更完整尤其是工程管理这块适合开发体量稍大的脚本。各位不用纠结能跑代码就行工具效率的差异远没有想象中大。2.2 三大核心库的功能对比与安装选库这件事说白了就是看需求。我直接给出一张对比表大家按需索取。库名安装命令擅长场景短板pypdfpip install pypdf合并、拆分、旋转、加密解密、元数据修改文本提取能力弱表格提取约等于零pdfplumberpip install pdfplumber文本定位、表格提取、坐标级内容解析处理超大PDF时速度偏慢PyMuPDFpip install PyMuPDF渲染图片、提取图片、OCR预处理、高速文本提取API风格偏底层上手曲线略陡pdf2docxpip install pdf2docxPDF转Word保留版式和表格对扫描版PDF无能为力reportlabpip install reportlab从零生成PDF、报表自动生成不能读取和编辑已有PDF安装命令都特别简单直接用pip装就行。建议一次性把常用的都装上pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab这里有两点要注意。第一不要同时混用PyPDF2和pypdf。PyPDF2是旧库停止维护好几年了新项目直接选pypdf就好它俩的API基本一致但PyPDF2有安全漏洞。第二pdf2docx底层依赖PyMuPDF如果单独装pdf2docx时提示缺依赖自动装上就行。我还遇到过一种情况同时装了多个Python版本pip装到了老版本的site-packages里导致import的时候找不到模块。建议用python -m pip install而不是裸的pip install这样能保证装到当前python对应的环境里。python -m pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab2.3 快速验证环境是否可用装完之后别急着写业务代码先跑一段冒烟测试脚本把能import的都试一遍。这一步特别重要能提前暴露很多环境问题。import pypdf import pdfplumber import fitz import docx print(pypdf版本:, pypdf.__version__) print(pdfplumber版本:, pdfplumber.__version__) print(PyMuPDF版本:, fitz.__doc__) print(python-docx导入成功)如果import fitz报错别慌这是PyMuPDF的导入名不是装错了包。如果import docx报错说明python-docx没装上它是pdf2docx的依赖正常会自动装。冒烟测试过了环境就算齐活了。3. 核心功能实操——文档级操作3.1 PDF合并、拆分与页面重排先说最常用的合并操作。手上有三份PDF要按顺序合成一份用pypdf写起来特别短。from pypdf import PdfReader, PdfWriter def merge_pdfs(file_list, output_path): writer PdfWriter() for file in file_list: reader PdfReader(file) for page in reader.pages: writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) merge_pdfs([合同1.pdf, 合同2.pdf, 附件.pdf], 合并结果.pdf)这段代码的逻辑很直白PdfReader逐页读取源文件的页面PdfWriter把它们添加到输出文件里。有个小细节是writer.write那边要用wb模式因为PDF本质是二进制文件用文本模式写会损坏。拆分PDF正好反过来把一个大文件按页切成多个小文件。比如一年12个月的报表合并成了一整份PDF现在按月拆开from pypdf import PdfReader, PdfWriter def split_pdf(source_path, output_dir, pages_per_file10): reader PdfReader(source_path) total_pages len(reader.pages) for i in range(0, total_pages, pages_per_file): writer PdfWriter() end min(i pages_per_file, total_pages) for page_num in range(i, end): writer.add_page(reader.pages[page_num]) output_name f{output_dir}/拆分_{i // pages_per_file 1}.pdf with open(output_name, wb) as out_file: writer.write(out_file) print(f已生成: {output_name}) split_pdf(全年报表.pdf, ./拆分结果, pages_per_file30)页面重排也简单要调整顺序就改变add_page的调用顺序要旋转页面就调用page.rotate(90)要裁剪就设置page.cropbox的坐标。这些操作的共同点是都在操作PDF的页面树结构理解了这个底层模型你对pypdf的API就能举一反三了。3.2 PDF加密、解密与权限设置有些PDF打开就要密码有些限制了打印和复制这在商业文档里特别常见。pypdf能处理这两种情况。加密一份PDF设置打开密码和权限密码from pypdf import PdfReader, PdfWriter def encrypt_pdf(source_path, output_path, user_password, owner_passwordNone): reader PdfReader(source_path) writer PdfWriter() for page in reader.pages: writer.add_page(page) if owner_password is None: owner_password user_password writer.encrypt(user_passworduser_password, owner_passwordowner_password, permissions_flag0xFFFFFFF0) # 允许打印和复制 with open(output_path, wb) as out_file: writer.write(out_file) encrypt_pdf(内部资料.pdf, 加密资料.pdf, 用户密码123)这里解释一下参数user_password是打开文档要用的密码owner_password是拥有者权限密码拥有者可以修改权限设置。permissions_flag控制允许的操作0xFFFFFFF0表示允许全部操作想要只读不能打印就把这个值改成0。解密就更简单了知道密码就能解除from pypdf import PdfReader, PdfWriter def decrypt_pdf(source_path, output_path, password): reader PdfReader(source_path) if reader.is_encrypted: reader.decrypt(password) writer PdfWriter() for page in reader.pages: writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) decrypt_pdf(加密资料.pdf, 解密资料.pdf, 用户密码123)注意一个细节如果只是PdfReader打开后不调用decrypt直接读取pages有些加密PDF会抛异常或者返回空内容。另外PDF的老加密算法RC4 40位很容易被暴力破解如果这份文件涉及机密信息建议用专业的加密工具重新处理Python脚本只能解决日常的权限控制问题。3.3 页眉页脚与水印添加工作中经常要给PDF加上“内部资料”“仅供预览”的水印或者批量加页码。实现思路是把水印做成一个单页PDF然后用merge_page覆盖到目标页面上。from pypdf import PdfReader, PdfWriter from reportlab.pdfgen import canvas def create_watermark(watermark_text, output_path): c canvas.Canvas(output_path) page_width, page_height 595.27, 841.89 # A4尺寸 c.setFont(Helvetica, 60) c.setFillColorRGB(0.5, 0.5, 0.5, 0.3) # 半透明灰色 c.saveState() c.translate(page_width / 2, page_height / 2) c.rotate(45) c.drawCentredString(0, 0, watermark_text) c.restoreState() c.save() def add_watermark(source_path, watermark_pdf_path, output_path): watermark_reader PdfReader(watermark_pdf_path) watermark_page watermark_reader.pages[0] reader PdfReader(source_path) writer PdfWriter() for page in reader.pages: page.merge_page(watermark_page) writer.add_page(page) with open(output_path, wb) as out_file: writer.write(out_file) create_watermark(内部资料, 水印.pdf) add_watermark(原始文件.pdf, 水印.pdf, 加水印.pdf)我用reportlab生成水印页再用pypdf的merge_page把水印层叠加到每一页上。这个方案的优势是水印是半透明的矢量文字打印出来依然清晰而且不会像图片水印那样把正文盖得看不清。字体选Helvetica是因为它是PDF标准字体不需要额外嵌入字体文件换中文字体就得处理字体嵌入问题坑比较多。4. 核心功能实操——内容提取与解析4.1 文本提取从基础到坐标级定位文本提取是PDF解析里需求最多的场景但也是坑最多的。同样是PDF文件文本型的读起来顺顺当当扫描型的读出来就是一堆乱码或者干脆空白。最简单的文本提取用pypdf就能做from pypdf import PdfReader reader PdfReader(合同.pdf) for i, page in enumerate(reader.pages): text page.extract_text() print(f第{i1}页:) print(text)但pypdf的extract_text实现比较原始碰到复杂的排版、多栏布局、特殊字体嵌入时输出顺序会乱。这种情况我一般用pdfplumber它对文本位置有一个完整的坐标模型。import pdfplumber with pdfplumber.open(产品说明书.pdf) as pdf: for page in pdf.pages: text page.extract_text() print(text)pdfplumber还能做坐标级别的提取比如只提取页面顶部3厘米范围内的文字这在处理页眉页脚、批注信息的时候特别好用import pdfplumber with pdfplumber.open(报表.pdf) as pdf: page pdf.pages[0] # x_tolerance 控制同一行文字之间的合并距离默认3 top_text page.crop((0, 0, page.width, 100)).extract_text(x_tolerance2) print(top_text)这背后的原理是每个字符在PDF内部都有一个坐标位置x, ypdfplumber按坐标把字符组合成单词、行、段落。理解了这个模型后很多奇奇怪怪的提取需求都能实现提取指定区域、按列提取、跳过图片区域提取正文。4.2 表格提取处理复杂表格的实际经验PDF里的表格曾经是数据处理里最让人头疼的问题因为PDF本身不存储表格结构只有线条和文字的位置信息。pdfplumber的extract_table功能通过分析页面上的竖线和横线推断单元格的边界再把文字填入对应单元格。import pdfplumber with pdfplumber.open(财务报表.pdf) as pdf: page pdf.pages[0] tables page.extract_tables() for table in tables: for row in table: print(row)这里有个参数很关键table_settings。遇到表格线不完整、单元格合并的情况默认设置经常提取出乱行需要调策略。我常用的配置是table_settings { vertical_strategy: lines, # 根据线条识别列 horizontal_strategy: lines, # 根据线条识别行 intersection_tolerance: 5, # 交叉点识别容差 } tables page.extract_tables(table_settings)如果表格本身没有绘制完整线条比如只有文字没有边框的“隐形表格”那要改成text策略根据文字的对齐位置来推断列table_settings_text { vertical_strategy: text, horizontal_strategy: text, snap_tolerance: 3, }提取出来的表格数据是二维列表直接转换成pandas的DataFrame就能做数据分析import pandas as pd with pdfplumber.open(销售数据.pdf) as pdf: page pdf.pages[0] table page.extract_tables()[0] df pd.DataFrame(table[1:], columnstable[0]) print(df.head())一个提醒表格里有合并单元格时pdfplumber会把合并的部分在首行填值其他行填空串这是预期行为后续清理需要自己处理空值。4.3 图片提取与PDF页面转图片从PDF里提取图片用PyMuPDF是最快的import fitz def extract_images(pdf_path, output_dir): doc fitz.open(pdf_path) for page_num in range(len(doc)): page doc[page_num] images page.get_images(fullTrue) for img_index, img in enumerate(images): xref img[0] pix fitz.Pixmap(doc, xref) if pix.n - pix.alpha 4: pix fitz.Pixmap(fitz.csRGB, pix) pix.save(f{output_dir}/page{page_num1}_img{img_index1}.png) doc.close() extract_images(图片版手册.pdf, ./extracted_images)这段代码里的几个判断值得解释一下。多色图片如果带了透明度通道alpha保存成PNG可能变色所以要转成RGB模式再存。另外PDF中的同一张图片可能被多个页面引用直接提取会重复可以根据xref编号去重只保留首次出现的那个。把PDF页面渲染成图片是OCR识别前的标准预处理步骤import fitz def pdf_to_images(pdf_path, output_dir, zoom2.0): doc fitz.open(pdf_path) for page_num in range(len(doc)): page doc[page_num] mat fitz.Matrix(zoom, zoom) # 2倍缩放提高清晰度 pix page.get_pixmap(matrixmat) pix.save(f{output_dir}/page_{page_num1}.png) doc.close()zoom参数控制渲染分辨率2倍缩放基本能满足OCR需求3倍以上对复杂图表有提升但耗时翻倍。这个操作的本质是让PyMuPDF把PDF页面画到一张位图上所以页面里文字的清晰度取决于PDF内嵌字体的处理方式。尤其要提一下扫描版PDF的识别流程。这类PDF每页就是一张图片pdfplumber提取出来是空字符串这时候必须先转成图片再做OCR。我常用的链路是PyMuPDF渲染页面为PNG然后用Tesseract或PaddleOCR做文字识别最后把识别结果拼成文本。搜索热词里也有pdf图片中文设置其实就是Python做OCR时中文语言包和编码的问题。PaddleOCR对中文支持是最省心的pip install paddleocr paddlepaddlefrom paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch) result ocr.ocr(page_1.png, clsTrue) for line in result[0]: print(line[1][0]) # 识别出的文字4.4 PDF标注信息元数据读取PDF的元数据包括标题、作者、创建时间、修改时间等这些信息在文档管理、自动归档场景里很有用from pypdf import PdfReader reader PdfReader(文档.pdf) meta reader.metadata print(标题:, meta.title) print(作者:, meta.author) print(创建时间:, meta.creation_date) print(PDF版本:, reader.pdf_header)修改元数据略麻烦一些pypdf的新版本支持直接赋值但不同版本的API有差异稳妥做法是先打印type(meta)看看对象类型再决定赋值方式。办公场景里这个功能还有一个妙用批量修改一堆PDF的标题字段方便文件管理软件按标题索引。5. 格式转换实战——PDF转Word与反向需求5.1 用pdf2docx实现PDF转Word重点PDF转Word是搜索热词里曝光度最高的需求网上一搜全是收费工具。用pdf2docx其实能免费做到较高还原度前提是PDF得是文本型的。基本用法很简单from pdf2docx import Converter cv Converter(产品白皮书.pdf) cv.convert(产品白皮书.docx) cv.close()就这么三行一个PDF转Word的任务就完成了。但实际使用中你会发现转出来的Word有三种命运排版基本保持、排版有点乱、排版完全崩了。这取决于源PDF的内部结构。文本型的、线性排版的PDF转换效果最好多栏布局、复杂表格、嵌入图片交错排版的输出结果需要手动整理。我这儿有个提高成功率的做法转换之前先做一页测试不要直接转换整个文档。pdf2docx支持页码范围cv Converter(大型报告.pdf) cv.convert(测试前3页.docx, start0, end2) cv.close()先转前3页看看效果排版能接受的话再全量转换。别嫌这一步多余PDF转Word是重计算操作一本300页的产品手册可能要跑好几分钟发现结果不行再调参数浪费的时间远多于先测试。5.2 PDF转Word后排版变乱的原因与应对为什么会乱根源在于PDF和Word是完全不同的文档模型。PDF记录的是每个元素在页面上的精确位置是一张“快照”Word记录的是流式的段落、样式、表格结构是“活文档”。从快照反推活文档本质上是逆向工程不可能100%还原。应对方案有几个梯队第一梯队源文件是Word生成的PDF且排版简单pdf2docx的还原度能达到90%以上直接就用它。第二梯队源文件是复杂排版或报告类文档转完Word后手动调整段落间距和分栏工作量可控。第三梯队源文件是扫描版PDFpdf2docx完全无能为力因为里面没有文字层。这时候要么先做OCR得到文字再重建Word工作量巨大要么跟需求方确认一下是不是真的需要Word格式——很多时候要的其实就是“能编辑的文字内容”提供带文字的PDF或者Excel表格可能更合适。我个人的经验是办公场景里能用pdfplumber把表格抽成Excel的就不要走PDF转Word再复制粘贴这条路。表格数据到Excel数据结构是完整的后续做透视表都顺滑。5.3 将Word/文本内容导出为PDF反向需求也经常遇到把Word文档转成PDF用于分发。python-docx库读取Word内容再配合reportlab或其他工具生成PDF这里我给出一个简单的文本模板方案from reportlab.pdfgen import canvas from reportlab.lib.pagesizes import A4 def text_to_pdf(text, output_path): c canvas.Canvas(output_path, pagesizeA4) width, height A4 y height - 50 line_height 20 for line in text.splitlines(): if y 50: c.showPage() y height - 50 c.drawString(50, y, line) y - line_height c.save() text_to_pdf(这是一段需要导出为PDF的内容, 输出.pdf)这个方案是纯文本层面的复杂排版需要借助HTML转PDF的路线比如WeasyPrint或者Playwright加载HTML模板再打印成PDF。搜索热词里的web页面pdf打印其实指的就是用Playwright或Selenium把网页打印为PDF的这个能力。6. 实战场景串联——批量合同处理流水线6.1 场景描述与完整代码上面的功能单个看都不复杂真正体现价值的是组合起来形成一个自动化流水线。我举个例子这是我自己做过的真实需求每个月财务给过来50份PDF合同需要做下面这些事——检查每份合同页数是否完整跟清单比对给每份合同加页码水印提取每份合同的金额和签订日期到Excel表最后把50份合同合并成一个PDF存档。整个过程如果用人工操作至少半天而且容易漏。用Python脚本跑整个过程3分钟还能生成一份汇总报告。完整代码如下我把每一步都加了注释import os import re from pypdf import PdfReader, PdfWriter import pdfplumber import pandas as pd from datetime import datetime INPUT_DIR ./contracts OUTPUT_MERGED ./全部合同合并.pdf SUMMARY_EXCEL ./合同信息汇总.xlsx def check_page_count(pdf_path, expected_pages): reader PdfReader(pdf_path) return len(reader.pages) expected_pages def add_page_number(pdf_path, output_path): reader PdfReader(pdf_path) writer PdfWriter() for page_num, page in enumerate(reader.pages, start1): # 使用reportlab生成页码水印层 from reportlab.pdfgen import canvas from reportlab.lib.pagesizes import A4 from io import BytesIO packet BytesIO() c canvas.Canvas(packet, pagesizeA4) c.setFont(Helvetica, 9) c.drawCentredString(A4[0] / 2, 30, f- {page_num} -) c.save() packet.seek(0) watermark_pdf PdfReader(packet) page.merge_page(watermark_pdf.pages[0]) writer.add_page(page) with open(output_path, wb) as f: writer.write(f) def extract_contract_info(pdf_path): info {} with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: text page.extract_text() if not text: continue # 简单的模式匹配这里以合同编号和合同金额为例 match_no re.search(r合同编号\s*[:]\s*(\S), text) match_amount re.search(r合同金额\s*[:]\s*([0-9,.]元?), text) match_date re.search(r签订日期\s*[:]\s*(\d{4}[-/年]\d{1,2}[-/月]\d{1,2}日?), text) if match_no: info[合同编号] match_no.group(1) if match_amount: info[合同金额] match_amount.group(1) if match_date: info[签订日期] match_date.group(1) if len(info) 3: break return info def main(): files [f for f in os.listdir(INPUT_DIR) if f.endswith(.pdf)] files.sort() merged_writer PdfWriter() summary_rows [] for fname in files: src os.path.join(INPUT_DIR, fname) # 检查页数这里假设每份合同应为10页按实际情况改 reader PdfReader(src) actual_pages len(reader.pages) page_ok (actual_pages 10) # 添加页码后临时保存 tmp os.path.join(INPUT_DIR, _numbered_ fname) add_page_number(src, tmp) merged_writer.append(PdfReader(tmp)) # 提取合同关键信息 info extract_contract_info(src) info[文件名] fname info[页数是否10页] 是 if page_ok else f否(实际{actual_pages}页) summary_rows.append(info) # 清理临时文件 os.remove(tmp) # 合并所有合同 with open(OUTPUT_MERGED, wb) as f: merged_writer.write(f) # 生成Excel汇总 df pd.DataFrame(summary_rows) df.to_excel(SUMMARY_EXCEL, indexFalse) print(f处理完成共{len(files)}份合同。) print(f合并文件: {OUTPUT_MERGED}) print(f汇总表: {SUMMARY_EXCEL}) if __name__ __main__: main()这套流水线的核心思路是单个文件处理函数保持纯净一个函数干一件事main函数负责调度和汇总。这样未来如果财务说合同格式变了你只需要改extract_contract_info里的正则规则其他部分不用动。6.2 批处理中的性能优化与进度追踪批量处理还有一个绕不开的问题跑了很久不知道进度万一中途报错前面的工作白费。我的建议是在批处理里加日志和断点续传。日志方案很简单用print输出当前处理到第几个文件for idx, fname in enumerate(files, start1): print(f[{idx}/{len(files)}] 正在处理 {fname} ...) # ...断点续传的思路是先把每个文件处理成中间产物比如都转成带页码的临时PDF全部成功后再合并。上面代码里就是这个模式只不过我直接把临时文件删了。如果处理量大建议保留中间产物出问题时从失败的那一个文件继续重跑而不是全部重新处理。性能方面PDF解析基本都是CPU密集型的没有太多并行优化空间。真要提速可以用concurrent.futures的ProcessPoolExecutor把不同文件的处理丢给多进程from concurrent.futures import ProcessPoolExecutor def process_one(fname): # 单文件的处理逻辑 return fname, True with ProcessPoolExecutor(max_workers4) as executor: results list(executor.map(process_one, files))不过要提醒一句多进程会带来额外的内存开销每个进程都会加载独立的Python环境和PDF库一次处理50份小文件没问题如果单个PDF超过200MB进程数得调小否则内存会爆。7. 常见问题排查与实战心得7.1 环境与依赖故障速查症状可能原因解决方法执行pip install报错externally-managed-environment新版本Python阻止pip全局安装使用虚拟环境或加--break-system-packages参数import fitz报错ModuleNotFoundErrorPyMuPDF未安装或装到别的环境python -m pip install PyMuPDF确认解释器路径import docx报错缺python-docxpip install python-docx中文路径文件打不开编码问题路径临时用英文或用pathlib处理pdfplumber提取大量空白PDF是扫描版没有文字层改用OCR方案先渲染成图片再识别PDF转Word输出乱排版源PDF结构复杂或扫描版先转前几页测试扫描版不能直接转7.2 文本提取乱码与中文编码问题文本提取乱码通常有几种情况。第一种是字体编码映射问题PDF用自定义编码映射字形pypdf提取时还原不出正确的Unicode字符。这个基本无解因为它跟PDF生成器有关pdfplumber解决得稍微好一点因为它把字符映射过程做得更细致但不是100%能还原。第二种是CID字体问题这类字体在PDF里只存字形ID不存Unicode映射多见于老式排版软件生成的PDF。解法是先用PyMuPDF渲染成图片再OCR识别绕开字体解码这道坎。第三种是提取出来是乱码但视觉上正常这是信息论上的“能看不能选”本质是PDF没有真正的文字编码。遇到这种文件别死磕直接走OCR路线是最省事的。中文编码还有个容易被忽略的点用Python写脚本处理含中文路径的文件时尽量在代码文件头部加# -- coding: utf-8 --Python 3默认就是UTF-8Python 3其实不需要但Windows的默认编码不是UTF-8控制台输出中文可能报GBK编码错误。两个解法一是运行前设置环境变量PYTHONIOENCODINGutf-8二是在代码里强制标准输出重编码。这个问题在Windows上尤其常见macOS和Linux基本不会遇到。7.3 内存溢出与超大PDF处理策略200MB以上的PDF直接用pdfplumber逐页读取会占用大量内存因为每页的文字坐标信息都会被完整加载到内存。应对方案有几条第一个是只处理你需要的页面。比如只需要第5页到第10页的数据就只遍历这段范围不要碰其他页。第二个是处理完一页立刻释放引用。用with上下文和逐页循环能帮助Python尽早垃圾回收不再使用的对象。import pdfplumber with pdfplumber.open(超大文件.pdf) as pdf: for i, page in enumerate(pdf.pages): # 处理当前页 text page.extract_text() # 处理完就覆盖引用 page None if i 20: # 只处理前20页 break第三个是遇到超大PDF考虑先拆分成几个小文件再并行处理。pypdf拆分本身很快拆分后每个子任务用独立进程跑能有效避免内存持续攀升。7.4 一个容易被忽略的坑pdf2docx依赖报错pdf2docx这个库在最新版Python上有个坑如果你用的Python版本过新比如3.13某些底层依赖的预编译包还没发布pip install会尝试从源码编译然后大概率失败。遇到这种情况我建议直接用Python 3.10或3.11创建一个虚拟环境专门跑PDF转换相关的脚本。虚拟环境的创建和使用python -m venv pdfenv # Windows激活 pdfenv\Scripts\activate # macOS/Linux激活 source pdfenv/bin/activate pip install pypdf pdfplumber PyMuPDF pdf2docx reportlab pandas用虚拟环境的好处是隔离不同项目之间的依赖冲突。比如你另一个项目用的pandas版本很老而PDF项目要新版pandas各装各的互不干扰。我自己的习惯是只要装了机器上的Python不是专门给PDF处理用的就一律开虚拟环境再装依赖省得把系统环境搞乱了。8. 扩展应用结合爬虫与自动化办公8.1 批量下载并解析PDF的完整链路搜索词里出现了python爬虫和PDF解析的组合这其实是很常见的一个需求从网站批量下载PDF文件然后解析里面的内容做成数据表。比如某个行业报告网站每周更新数十份PDF研报你想把这些研报里的关键数据抽出来存到数据库里。一条完整的链路是requests或httpx下载PDF - pypdf或pdfplumber解析文本 - 正则或规则提取关键字段 - pandas存Excel - 定时任务每天自动执行。这里我给出一个框架大家根据目标网站的结构自行填充下载逻辑import requests import pdfplumber import pandas as pd from io import BytesIO def download_and_parse_pdf(url): resp requests.get(url, timeout30) resp.raise_for_status() with pdfplumber.open(BytesIO(resp.content)) as pdf: first_page_text pdf.pages[0].extract_text() return first_page_text def extract_title_and_date(text): lines text.splitlines() title lines[0] if lines else date for line in lines[:5]: if 202 in line: date line break return title, date urls [ https://example.com/reports/monthly_report_202501.pdf, # 更多URL... ] rows [] for url in urls: try: text download_and_parse_pdf(url) title, date extract_title_and_date(text) rows.append({url: url, 标题: title, 日期: date}) except Exception as e: rows.append({url: url, 错误: str(e)}) df pd.DataFrame(rows) df.to_excel(下载报告信息.xlsx, indexFalse)这个方案用BytesIO把下载的内容直接交给pdfplumber解析不必先在磁盘上落一份临时文件少一道文件清理的活。真实场景里要注意请求频率克制加上合理的延时别给目标服务器造成压力。8.2 企业微信/钉钉机器人推送处理结果自动化处理完PDF后结果怎么通知给业务方官方做法是用企业微信或钉钉的Webhook机器人向群里推送一条消息。代码其实就是一个POST请求几乎没有门槛import requests import json def send_webhook_message(webhook_url, content): data { msgtype: text, text: { content: content } } headers {Content-Type: application/json} resp requests.post(webhook_url, datajson.dumps(data), headersheaders) return resp.json() webhook https://qyapi.weixin.qq.com/cgi-bin/webhook/send?key你的key msg 50份合同处理完成合并文件已生成汇总表见附件。 send_webhook_message(webhook, msg)把这一步接到流水线的最后就实现了一个完整的自动化闭环下班前脚本自动处理当天到的PDF处理完推送到群里第二天大家直接看结果。这种改造带来的效率提升比单纯跑一次脚本要明显得多因为省掉了人工盯进度的时间。8.3 定时任务的配置与注意事项定时执行可以用系统的cronmacOS/Linux或Windows任务计划程序也可以用Python的schedule库在脚本内部做循环。我个人更推荐系统级定时因为脚本崩溃后系统级的重启策略更成熟。简单的cron配置每天凌晨2点执行0 2 * * * cd /path/to/project /path/to/venv/bin/python process_pdfs.py logs/run_$(date \%Y\%m\%d).log 21Windows任务计划程序的配置也不复杂关键点有两个程序选择虚拟环境里的python.exe而不是直接选脚本工作目录设置为脚本所在目录防止相对路径失效。这俩坑我都踩过前者会导致import找不到已安装的库后者会让脚本报FileNotFoundError。定时任务跑PDF处理还要注意文件锁问题。如果脚本要读取正在被写入的PDF可能会解析失败日志里会留一堆异常。建议脚本开头做一次文件状态检测文件大小在短时间内变化就跳过等下一轮。9. 写在最后的一点实战体会做PDF处理这个方向最大的体会是不要企图用一套代码应付所有PDF文件。PDF格式的江湖派系太多有Word导出的、有LaTeX生成的、有扫描仪扫出来的、还有各家厂商的报表系统直接输出的它们内部结构差异极大。我的工作习惯是每接到一个新PDF处理需求先花几分钟分析这个PDF用PyMuPDF打开看看有几页用pdfplumber提取第一页文字看看有没有文字层再检查一下文本提取出来的顺序是否合理。这三步做完基本就能判断出最合适的处理方案了。再分享一个小技巧。很多时候我们需要的是从PDF里抽几个关键字段而不是整篇解析。这时候别执着于把全文提取得完美无缺直接用pyMuPDF快速渲染页面或者pdfplumber提取文字后用正则把需要的字段抠出来就行了。流程短了成功率反而更高。至于后续扩展这个项目的天花板其实很高。比如结合PaddleOCR做全套扫描件识别、把提取的数据自动写入数据库生成看板、或者用LangChain把PDF内容向量化之后做知识库问答这些都是很自然的下一个台阶。先把基础的PDF处理玩明白后面的路会越走越宽。