pdf-processor

一站式 PDF 处理技能。支持 PDF 文本/图片/表格提取、格式转换（PDF↔Word/Excel）、合并拆分、OCR 识别、批量处理、水印添加、加密解密、压缩等。使用场景： (1) 从 PDF 提取文本内容进行数据分析 (2) 将 PDF 转换为 Word/Excel 方便编辑 (3) 合并或拆分 PDF 文件 (4) 对扫描件进行 OCR 识别提取文字 (5) 批量处理多个 PDF 文件 (6) 添加水印或加密保护 PDF (7) 压缩 PDF 减小文件体积

PDF 处理技能

快速开始

安装依赖

bash

cd D:\PDF.skill\pdf-processor
pip install -r requirements.txt

核心功能

功能	命令	说明
提取文本	python scripts/extract_text.py <pdf_path>	提取 PDF 文本内容
提取图片	python scripts/extract_images.py <pdf_path> <output_dir>	提取 PDF 中的图片
提取表格	python scripts/extract_tables.py <pdf_path>	提取 PDF 中的表格
PDF 转 Word	python scripts/pdf_to_word.py <pdf_path> <output_path>	转换为可编辑 Word
PDF 转 Excel	python scripts/pdf_to_excel.py <pdf_path> <output_path>	提取表格到 Excel
合并 PDF	python scripts/merge_pdfs.py <output_path> <file1> <file2> ...	合并多个 PDF
拆分 PDF	python scripts/split_pdf.py <pdf_path> <output_dir>	按页拆分 PDF
添加水印	python scripts/add_watermark.py <pdf_path> <output_path> <text>	添加文字水印
OCR 识别	python scripts/ocr_pdf.py <pdf_path> <output_path>	OCR 识别扫描件
加密 PDF	python scripts/encrypt_pdf.py <input> <output> <password>	AES-256 加密
解密 PDF	python scripts/decrypt_pdf.py <input> <output> <password>	解密 PDF
压缩 PDF	python scripts/compress_pdf.py <input> <output>	压缩 PDF 文件
批量处理	python scripts/batch_process.py <input_dir> <output_dir> --operation <op>	批量处理

功能详情

extract_text.py

提取 PDF 文本内容，支持：

• 纯文本提取
• 保留段落结构
• 提取元数据（标题、作者、创建时间）

bash

python scripts/extract_text.py input.pdf -o output.txt --metadata

extract_tables.py

提取 PDF 表格数据：

• 自动检测表格边框
• 支持合并单元格
• 输出为 Excel 文件

pdf_to_word.py

PDF 转 Word 转换：

• 保留原始格式
• 提取图片到 Word
• 表格转换为 Word 表格

pdf_to_excel.py

PDF 转 Excel：

• 提取表格到不同 Sheet
• 保留文本内容

add_watermark.py

水印功能：

• 支持文字水印
• 可设置透明度、旋转角度、字体大小
• 支持批量添加

ocr_pdf.py

OCR 识别（需要安装 Tesseract）：

• 使用 Tesseract 进行中文识别
• 支持多种语言混合识别
• 保留原有 PDF 格式

encrypt_pdf.py / decrypt_pdf.py

加密解密：

• AES-256 加密
• 支持用户密码和所有者密码

compress_pdf.py

压缩功能：

• 清理未使用对象
• 压缩图片
• 5 个压缩级别可选

batch_process.py

批量处理：

• 支持所有单文件操作
• 自动处理目录中所有 PDF
• 生成处理报告

使用示例

从 PDF 提取文本

text

用户: 帮我提取这个合同的文本内容
AI: 使用 extract_text.py 脚本提取文本

PDF 转 Word

text

用户: 把这个 PDF 转成 Word 文档
AI: 使用 pdf_to_word.py 进行转换

批量加水印

text

用户: 给这个文件夹里所有 PDF 添加"内部资料"水印
AI: 使用 batch_process.py 批量处理

加密 PDF

text

用户: 这个文件需要加密
AI: 使用 encrypt_pdf.py 进行 AES-256 加密

依赖安装

基础依赖

bash

pip install pymupdf pdfplumber python-docx openpyxl pillow

OCR 支持（可选）

bash

# 安装 Tesseract OCR
# Windows: https://github.com/UB-Mannheim/tesseract/wiki
# macOS: brew install tesseract
# Linux: sudo apt install tesseract-ocr

pip install pytesseract

注意事项

• 加密 PDF 需要提供密码
• OCR 需要安装 Tesseract 引擎
• 大文件处理可能需要较长时间
• 转换效果取决于 PDF 原始质量