PDF 处理指南
工具速查
| 任务 | 推荐库 | 说明 |
|---|
| 合并 / 拆分 / 旋转 / 水印 / 加密 | pypdf | 轻量，纯 Python |
| 提取文本 / 表格（结构化） | pdfplumber | 精度高，支持坐标； |
| 创建排版 PDF | reportlab | 支持段落、表格、样式 |
| 扫描版 OCR / 结构化转 Markdown | pdf-to-md | 返回图片 + markdown；文字提取失败时的兜底方案 |
pypdf — 基础操作
from pypdf import PdfReader, PdfWriter
# 提取文本
reader = PdfReader("doc.pdf")
text = "".join(page.extract_text() for page in reader.pages)
# 合并
writer = PdfWriter()
for path in ["a.pdf", "b.pdf"]:
for page in PdfReader(path).pages:
writer.add_page(page)
with open("merged.pdf", "wb") as f:
writer.write(f)
# 拆分（每页单独保存）
for i, page in enumerate(reader.pages):
w = PdfWriter()
w.add_page(page)
with open(f"page_{i+1}.pdf", "wb") as f:
w.write(f)
# 旋转 / 水印 / 加密 / 裁剪
page.rotate(90)
page.merge_page(PdfReader("watermark.pdf").pages[0])
writer.encrypt("user_pass", "owner_pass")
page.mediabox.left, page.mediabox.bottom, page.mediabox.right, page.mediabox.top = 50, 50, 550, 750
pdfplumber — 文本与表格提取
import pdfplumber, pandas as pd
with pdfplumber.open("doc.pdf") as pdf:
# 文本
text = pdf.pages[0].extract_text()
# 表格 → DataFrame
for t in pdf.pages[0].extract_tables():
if t:
df = pd.DataFrame(t[1:], columns=t[0])
# 按坐标区域提取（左、上、右、下）
region_text = pdf.pages[0].within_bbox((100, 100, 400, 200)).extract_text()
注意事项
- 中文字体：reportlab 默认字体不含中文字形，生成含中文的 PDF 时必须先通过
pdfmetrics.registerFont(TTFont(...)) 注册系统中文字体（如 Noto Sans
CJK、微软雅黑、文泉驿等），并在样式中指定该字体，否则中文会显示为乱码。
reportlab — 创建 PDF
from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer
from reportlab.lib.styles import getSampleStyleSheet
doc = SimpleDocTemplate("out.pdf", pagesize=letter)
styles = getSampleStyleSheet()
doc.build([
Paragraph("标题", styles["Title"]),
Spacer(1, 12),
Paragraph("正文内容", styles["Normal"]),
])
下标/上标：不要用 Unicode 字符（₀¹²），改用 XML 标签：H<sub>2</sub>O、x<super>2</super>。
OCR 与常见问题
OCR：PDF → Markdown（含图片）
如果用 pypdf 或 pdfplumber 提取到的文字为空、极少，或出现大量乱码，必须改用此 OCR 方案。 扫描版 PDF、拍照 PDF、图片型 PDF 均无法通过普通文本提取获得内容，OCR 是唯一可靠手段。
import sys, os
sys.path.insert(0, os.path.join(os.getenv('skill_path'), 'pdf', 'scripts'))
from pdf_to_md import parse
# 结果写入 <输出目录>/content.md，图片写入 <输出目录>/images/
parse('<PDF路径>', '<输出目录>')
适用场景：扫描版 PDF、图文混排、需要保留图片、中文内容居多。
其他常见问题
# 处理加密 PDF
from pypdf import PdfReader
reader = PdfReader("enc.pdf")
if reader.is_encrypted:
reader.decrypt("password")
# 提取嵌入图片
from PIL import Image
import io
for page in reader.pages:
for img_obj in page.images:
Image.open(io.BytesIO(img_obj.data)).save(f"{img_obj.name}.png")
# 宽容模式读取损坏 PDF
reader = PdfReader("damaged.pdf", strict=False)
PDF高级处理参考
pypdfium2 — 渲染为图片
基于 Chromium PDFium，无需 poppler 等外部依赖，适合渲染和 OCR 场景。
import pypdfium2 as pdfium
pdf = pdfium.PdfDocument("doc.pdf")
for i, page in enumerate(pdf):
bitmap = page.render(scale=2.0) # scale=2 ≈ 192 DPI
bitmap.to_pil().save(f"page_{i+1}.png")
# 提取文本
for i, page in enumerate(pdf):
print(f"第 {i+1} 页：{len(page.get_text())} 字符")
pdfplumber — 精确坐标与复杂表格
import pdfplumber
with pdfplumber.open("doc.pdf") as pdf:
page = pdf.pages[0]
# 逐字符提取含坐标信息
for char in page.chars[:10]:
print(f"'{char['text']}' x:{char['x0']:.1f} y:{char['y0']:.1f}")
# 复杂布局自定义策略
tables = page.extract_tables({
"vertical_strategy": "lines",
"horizontal_strategy": "lines",
"snap_tolerance": 3,
"intersection_tolerance": 15,
})
# 可视化调试表格检测结果
page.to_image(resolution=150).save("debug.png")
reportlab — 复杂表格与多页报告
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle, Paragraph, PageBreak
from reportlab.lib.styles import getSampleStyleSheet
from reportlab.lib import colors
from reportlab.lib.pagesizes import letter
doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
data = [
["产品", "Q1", "Q2", "Q3", "Q4"],
["Widget", "120", "135", "142", "158"],
["Gadget", "85", "92", "98", "105"],
]
table = Table(data, colWidths=[120, 60, 60, 60, 60])
table.setStyle(TableStyle([
("BACKGROUND", (0, 0), (-1, 0), colors.HexColor("#4472C4")),
("TEXTCOLOR", (0, 0), (-1, 0), colors.white),
("FONTNAME", (0, 0), (-1, 0), "Helvetica-Bold"),
("ALIGN", (0, 0), (-1, -1), "CENTER"),
("ROWBACKGROUNDS", (0, 1), (-1, -1), [colors.white, colors.HexColor("#EEF2FF")]),
("GRID", (0, 0), (-1, -1), 0.5, colors.grey),
("BOX", (0, 0), (-1, -1), 1, colors.black),
]))
doc.build([
Paragraph("销售报告", styles["Title"]),
table,
PageBreak(),
Paragraph("第二页内容", styles["Normal"]),
])
批量处理
import glob, logging
from pypdf import PdfReader, PdfWriter
logger = logging.getLogger(__name__)
# 批量合并目录下所有 PDF
writer = PdfWriter()
for pdf_file in sorted(glob.glob("input/*.pdf")):
try:
for page in PdfReader(pdf_file).pages:
writer.add_page(page)
except Exception as e:
logger.error(f"跳过 {pdf_file}：{e}")
with open("merged_all.pdf", "wb") as f:
writer.write(f)
