企业官网建设流程全解析

在日常办公中，PDF 是出现频率最高的文档格式之一：合同归档、简历筛选、报表存档、电子书阅读、扫描件分发，几乎每一个环节都会遇到它。当手里只有几个 PDF 文件时，手动打开、查看、复制、另存都还能接受；但当某个文件夹里躺着上百个 PDF，业务方又要求“把前 30 页合并成一个文件”“把这些合同里的关键信息抽出来填到 Excel”时，手动操作就变成了纯体力活。

这篇文章是“Python 办公自动化之 PDF 了解”系列的第一篇，目标是帮大家先把 PDF 处理的基础框架搭起来。我们会先搞清楚 PDF 为什么这么“难搞”，再梳理 Python 生态中几个主流 PDF 库分别适合什么场景，最后用多个可复制的实战示例把读取信息、提取文本、合并拆分、解析表格和图片这些日常需求走一遍。读完这一篇，即使你以前没写过 PDF 处理代码，也能照着示例完成自己的第一个 PDF 批量处理脚本。

1. 背景与核心概念

1.1 PDF 是什么，为什么办公自动化绕不开它

PDF（Portable Document Format，便携式文档格式）是 Adobe 在 1993 年推出的固定版式文档格式。所谓“固定版式”，可以理解为：一个 PDF 文件无论在 Windows、macOS、Linux，还是在手机、打印机上打开，页面排版、字体、图片位置都保持一致。

这个特性让 PDF 成为正式文件交换的标准格式，但也带来一个问题：PDF 并不像 Word、HTML 那样适合“流式读取”和“动态编辑”。Word 文档本质上是一堆文字流和样式规则，HTML 文档则是标签化的结构化内容；而 PDF 更像一张“数字照片”，它记录的是每个对象应该出现在页面哪个坐标位置。虽然文字仍然是文字、图片仍然是图片，但它们的组织方式更偏向“呈现”，而不是“语义”。

这也是办公自动化必须面对 PDF 的原因：

• 大量业务文件最终都以 PDF 形式存档和流转。
• PDF 中蕴含的文本、表格、图片、表单数据需要被二次利用。
• 手工处理 PDF 文件效率低、易出错、不利于重复执行。

所以，用 Python 写脚本去批量处理 PDF，自然成了办公自动化的高频需求。

1.2 Python 处理 PDF 的三大方向

从功能维度看，Python 处理 PDF 可以分为三个方向。

第一个方向是“读取与解析”。比如读取页数、标题、作者等元数据，提取页面中的文字、表格、图片，这是办公自动化中最常见的需求。

第二个方向是“编辑与重组”。比如合并多个 PDF、拆分单个 PDF、旋转页面、插入空白页、删除指定页。这一类的特点是“不改变内容本身，只改变文件结构和页面顺序”。

第三个方向是“生成与转换”。比如把文本、图片、报表数据生成 PDF；把 PDF 文档转换为 Word、Excel、图片；这里还包括对扫描版 PDF 进行 OCR 识别（将图片里的文字识别出来）。

在“PDF 了解”这个阶段，我们重点先掌握第一个方向和第二个方向，因为它们是后续学习和解决业务问题的基础。转换类需求虽然实用，但往往依赖文件的具体排版，细节较多，后面单独展开。

1.3 最容易踩的坑：文字版 PDF 与扫描版 PDF

学习 PDF 自动化之前，有一个概念必须建立：同样是 PDF，内部构造可能完全不同。

用 Word、WPS、LaTeX、浏览器打印生成的 PDF，通常带有一层“文本层”。文字以字符编码的形式存储在文件里，你可以直接选中、复制，也可以被程序直接提取出来。这种 PDF 叫“文字版 PDF”，也是 Python 解析最顺利的一类。

但还有一种 PDF 来自扫描仪或传真机，本质上是把纸质文件拍成或扫成一张张图片再封装成 PDF。这类 PDF 从视觉上看有文字，但程序去提取时往往什么都拿不到，因为文字只是图像中的像素，根本没有“字符”这个概念。这种 PDF 俗称“扫描版 PDF”或“图片型 PDF”。

判断一个 PDF 是文字版还是扫描版，最直接的办法是用 PDF 阅读器试着选中一段文字并复制。如果复制出来是乱码或空白，那基本就是扫描版。处理扫描版 PDF 需要走 OCR 路线，而 OCR 属于另一个技术方向，本文不深入展开，但在第 5 节排错里会告诉你如何识别它。

2. 环境准备与版本说明

2.1 Python 环境与项目结构

本文所有示例均在 Python 3 环境下编写和运行。建议先创建一个独立的虚拟环境，避免把包安装到全局环境里和系统其他项目冲突：

python -m venv venv

激活虚拟环境：

• Windows 下：

venv\Scripts\activate

• macOS / Linux 下：

source venv/bin/activate

激活后，命令行提示符前面通常会出现(venv)字样，说明已经进入虚拟环境。

然后建议按下面的目录结构准备一个实验目录，把后面用到的 PDF 文件都放进去：

pdf_demo/ ├── data/ │ ├── 原始PDF/ │ │ ├── 合同A.pdf │ │ ├── 合同B.pdf │ │ └── 报表.pdf │ └── 输出/ └── scripts/

没有现成 PDF 文件的话，可以用 Word、WPS 或浏览器打印功能，随便生成几个简单 PDF 用于测试。

2.2 需要安装的 Python 库

Python 生态中 PDF 相关库很多，为了避免安装一堆后不知道用哪个，本文先介绍最常用的五个库。执行下面的命令，可以一次性安装：

pip install pypdf pdfplumber PyMuPDF pdf2docx

各库的作用如下表所示：

有朋友之前用过PyPDF2。早期很多项目使用PyPDF2，后来社区逐渐把维护工作集中到了pypdf这个继承项目上。新项目建议直接安装pypdf，引入方式为from pypdf import PdfReader。如果你在旧代码里看到PyPDF2，可以把旧库卸载后使用pypdf，绝大部分 API 是兼容的。具体版本可以按自己当前项目时间选择，重点掌握配置思路，而不必把某一版 API 背死。

3. 核心概念与基础 API 拆解

3.1 使用 pypdf 读取 PDF 基本信息

当我们拿到一个陌生 PDF 时，第一件事通常是了解它有多少页、作者是谁、标题是什么。pypdf 的PdfReader可以完成这件事。

# 文件路径：scripts/read_basic_info.py from pypdf import PdfReader reader = PdfReader("data/原始PDF/合同A.pdf") print("页数：", len(reader.pages)) meta = reader.metadata if meta: print("标题：", meta.title) print("作者：", meta.author) print("创建工具：", meta.creator) print("是否加密：", reader.is_encrypted)

需要注意，len(reader.pages)返回的是PageObject组成的列表长度，也就是 PDF 的页数。reader.metadata可能为None，因此读取前先做一个判断更保险。reader.is_encrypted表示该 PDF 是否有密码保护。如果 PDF 设置了打开密码，直接访问页面会报错，需要先调用reader.decrypt("密码")。

3.2 使用 pypdf 提取页面文本

pypdf 提供了extract_text()方法提取页面中的文字，适合文本结构清晰的 PDF：

# 文件路径：scripts/extract_text_pypdf.py from pypdf import PdfReader reader = PdfReader("data/原始PDF/合同A.pdf") for index, page in enumerate(reader.pages, start=1): text = page.extract_text() print(f"===== 第 {index} 页 =====") print(text)

这个 API 很简单，但实际项目中人们却发现它有时提取出的文字顺序不对，或者出现多余换行。原因是 PDF 文件内部把文字按“绘制位置”存储，而不是按“阅读顺序”存储。extract_text()只能尽量还原，遇到复杂分栏、图文混排时，结果可能不太理想。

所以要建立一个意识：pypdf 适合简单场景、快速预览；对复杂版式 PDF，需要交给 pdfplumber 或 PyMuPDF 这类更精细的库。

3.3 使用 pdfplumber 提取文本和表格

pdfplumber 的底层基于 pdfminer.six，它不仅能提取文本，还能拿到每个字符的坐标、字体大小等信息。这使得它特别适合处理含表格、含明细数据的 PDF。

提取文本的写法如下：

# 文件路径：scripts/extract_text_pdfplumber.py import pdfplumber with pdfplumber.open("data/原始PDF/报表.pdf") as pdf: for page_index, page in enumerate(pdf.pages, start=1): text = page.extract_text() print(f"===== 第 {page_index} 页 =====") print(text)

提取表格的写法稍微复杂一点，但逻辑很直观：

# 文件路径：scripts/extract_tables_pdfplumber.py import pdfplumber with pdfplumber.open("data/原始PDF/报表.pdf") as pdf: for page_index, page in enumerate(pdf.pages, start=1): tables = page.extract_tables() print(f"第 {page_index} 页找到 {len(tables)} 个表格") for table_index, table in enumerate(tables, start=1): print(f"第 {page_index} 页 - 第 {table_index} 个表格内容：") for row in table: print(row)

extract_tables()返回的是一个三维列表：第一层是多个表格，第二层是每个表格里的多行数据，第三层是每行里的单元格。单元格的值可能是字符串，也可能是None（表示空单元格）。如果某个单元格里是图片或无法识别的内容，同样会是None。

这里要特别说明：PDF 表格并不像 Excel 那样有严格的“表格结构”概念。pdfplumber 是通过识别页面上的直线、文字坐标，再推断单元格边界。如果 PDF 里的表格没有明显线条，而是用背景色、空白间距来区分列，extract_tables()可能无法正确识别。遇到这种情况，可以尝试page.extract_table()（单表格模式）或调参table_settings，另外也可以通过文字坐标自行组装数据。

3.4 使用 PyMuPDF 提取文本和图片

PyMuPDF 对应的导入名是fitz，这是一个神奇又强大的库。它的解析速度通常比 pdfplumber 快，而且对中文支持较好。很多 PDF 文字提取失败的场景，换 PyMuPDF 后往往就能成功。

# 文件路径：scripts/extract_text_pymupdf.py import fitz doc = fitz.open("data/原始PDF/合同A.pdf") for page_index in range(len(doc)): page = doc.load_page(page_index) # 也可以使用 doc[page_index] text = page.get_text() print(f"===== 第 {page_index + 1} 页 =====") print(text) doc.close()

PyMuPDF 还可以把 PDF 页面渲染成图片，也可以提取 PDF 中的图片，这在第 4 节实战中会看到。

3.5 使用 pypdf 合并拆分 PDF

pypdf 处理 PDF 重组的核心是PdfWriter。合并的思路是：创建 writer，遍历所有输入 PDF 的每一页并加入 writer，最后写入输出文件。

# 文件路径：scripts/merge_pdfs.py from pathlib import Path from pypdf import PdfWriter, PdfReader pdf_dir = Path("data/原始PDF") output_path = Path("data/输出/合并.pdf") writer = PdfWriter() pdf_file_list = sorted(pdf_dir.glob("*.pdf")) for pdf_file in pdf_file_list: reader = PdfReader(pdf_file) for page in reader.pages: writer.add_page(page) output_path.parent.mkdir(parents=True, exist_ok=True) with output_path.open("wb") as output_file: writer.write(output_file) print(f"成功合并 {len(pdf_file_list)} 个 PDF 文件到：{output_path}")

拆分 PDF 的思路正好相反：先打开一个大的 PDF，把需要的某几页单独加到新的 writer 中，然后写出去。注意 PDF 的页码索引从 0 开始，所以“第 1 页”在代码里对应索引0。

# 文件路径：scripts/split_pdf.py from pypdf import PdfWriter, PdfReader reader = PdfReader("data/原始PDF/合同A.pdf") start = 0 # 要拆分的起始页码，这里表示从第 1 页开始 end = 2 # 要拆分的结束页码，这里表示到第 3 页结束（不含索引 3） writer = PdfWriter() for page_index in range(start, end): writer.add_page(reader.pages[page_index]) output_path = "data/输出/合同A_前3页.pdf" with open(output_path, "wb") as output_file: writer.write(output_file) print(f"已拆分 {end - start} 页，输出到：{output_path}")

如果要拆分成“每页一个 PDF”，可以在循环里为每一页创建一个PdfWriter并保存。

4. 完整实战案例

4.1 需求描述

假设你是公司行政人员，手头有一个data/原始PDF文件夹，里面散落着十几份 PDF 合同和报表。现在需要完成三项任务：

1. 批量统计每个 PDF 的页数、标题等基本信息，并输出成一份汇总文本。
2. 把某一份多页合同拆成“前 3 页”和“剩余页”两部分。
3. 把文件夹内所有 PDF 合并成一个总文件，方便统一存档。

这套需求非常适合用脚本自动化。下面我们动手实现一个相对完整的小工具。

4.2 批量扫描 PDF 目录并生成汇总信息

先写一个函数，它遍历指定目录下的所有.pdf文件，读取每个文件的基本信息并返回列表。

# 文件路径：scripts/pdf_folder_scanner.py from pathlib import Path from pypdf import PdfReader def scan_pdf_folder(folder_path: str): pdf_folder = Path(folder_path) result_lines = [] if not pdf_folder.exists(): print(f"目录不存在：{pdf_folder}") return result_lines # 这里使用 rglob 可以递归查找所有子目录下的 PDF for pdf_file in sorted(pdf_folder.rglob("*.pdf")): try: reader = PdfReader(pdf_file) meta = reader.metadata title = meta.title if meta and meta.title else "无标题" page_count = len(reader.pages) size_kb = pdf_file.stat().st_size / 1024 line = f"文件名：{pdf_file.name}｜页数：{page_count}｜大小：{size_kb:.1f} KB｜标题：{title}" result_lines.append(line) print(line) except Exception as exc: # 避免单个文件出错导致整个任务中断 error_line = f"文件名：{pdf_file.name}｜读取失败：{exc}" result_lines.append(error_line) print(error_line) return result_lines if __name__ == "__main__": lines = scan_pdf_folder("data/原始PDF") output_file = Path("data/输出/PDF信息汇总.txt") output_file.parent.mkdir(parents=True, exist_ok=True) output_file.write_text("\n".join(lines), encoding="utf-8") print(f"\n汇总结果已写入：{output_file}")

这里有几个工程上的小细节值得注意：

• 使用pathlib.Path而不是直接拼字符串路径，避免不同操作系统路径分隔符的差异。
• 定期调用pdf_file.stat().st_size获取文件大小，单位为字节，除以 1024 后转为 KB。
• 用一次性try-except包裹单文件处理，符合“办公自动化批量任务不让单点失败中断整体”的思路。

运行后，预期会在控制台看到每条 PDF 的基本信息，同时目录data/输出下会生成一份PDF信息汇总.txt。

4.3 批量合并与拆分 PDF

下面把合并和拆分功能封装成两个独立函数，方便以后复用：

# 文件路径：scripts/pdf_merge_split.py from pathlib import Path from pypdf import PdfWriter, PdfReader def merge_pdfs(pdf_paths, output_path): writer = PdfWriter() for pdf_path in pdf_paths: reader = PdfReader(pdf_path) for page in reader.pages: writer.add_page(page) output_path = Path(output_path) output_path.parent.mkdir(parents=True, exist_ok=True) with output_path.open("wb") as f: writer.write(f) print(f"合并完成，共 {len(pdf_paths)} 个文件，输出：{output_path}") def split_pdf(pdf_path, output_path, start_page, end_page): reader = PdfReader(pdf_path) writer = PdfWriter() for page_index in range(start_page, end_page): writer.add_page(reader.pages[page_index]) output_path = Path(output_path) output_path.parent.mkdir(parents=True, exist_ok=True) with output_path.open("wb") as f: writer.write(f) print(f"拆分完成，输出：{output_path}") if __name__ == "__main__": source_dir = Path("data/原始PDF") # 1. 合并所有 PDF pdf_files = sorted(source_dir.glob("*.pdf")) merge_pdfs(pdf_files, "data/输出/全部合并.pdf") # 2. 拆出“合同A.pdf”的前 3 页 contract_a = source_dir / "合同A.pdf" split_pdf(contract_a, "data/输出/合同A_前3页.pdf", start_page=0, end_page=3)

合并前，最好用sorted()对文件列表排序。文件系统接口返回的文件顺序不一定固定，如果不排序，合并后的 PDF 顺序每次都可能不同。

4.4 提取 PDF 中的文本、表格和图片

现实中我们不只是要“切开”PDF，更要“挖出”里面的内容。这里写一个综合脚本，把 pypdf、pdfplumber、PyMuPDF 配合起来，分别完成“按页提取文本”“提取第一张表格”“提取全部图片”三个子任务。

# 文件路径：scripts/pdf_extract_content.py import fitz import pdfplumber TARGET_PDF = "data/原始PDF/报表.pdf" def extract_text_by_pdfplumber(pdf_path): with pdfplumber.open(pdf_path) as pdf: full_text = [] for page in pdf.pages: page_text = page.extract_text() if page_text: full_text.append(page_text) return "\n".join(full_text) def extract_table_by_pdfplumber(pdf_path): with pdfplumber.open(pdf_path) as pdf: for page_index, page in enumerate(pdf.pages, start=1): tables = page.extract_tables() if tables: return page_index, tables[0] return None, None def extract_images_by_pymupdf(pdf_path, output_dir="data/输出/images"): import os os.makedirs(output_dir, exist_ok=True) doc = fitz.open(pdf_path) saved_paths = [] for page_index in range(len(doc)): page = doc.load_page(page_index) images = page.get_images(full=True) for img_index, img in enumerate(images, start=1): xref = img[0] # 图像对象的引用编号 base_image = doc.extract_image(xref) image_bytes = base_image["image"] ext = base_image["ext"] image_path = os.path.join(output_dir, f"page{page_index + 1}_img{img_index}.{ext}") with open(image_path, "wb") as f: f.write(image_bytes) saved_paths.append(image_path) doc.close() return saved_paths if __name__ == "__main__": print("===== 提取文本前 500 字 =====") text = extract_text_by_pdfplumber(TARGET_PDF) print(text[:500]) print("\n===== 提取第一个表格 =====") page_no, first_table = extract_table_by_pdfplumber(TARGET_PDF) if first_table: print(f"第一个表格位于第 {page_no} 页") for row in first_table: print(row) else: print("未检测到表格，请确认 PDF 是否包含标准横线表格。") print("\n===== 提取图片 =====") image_list = extract_images_by_pymupdf(TARGET_PDF) print(f"共提取到 {len(image_list)} 张图片")

这段代码体现了不同库的分工：pdfplumber 负责文本和表格提取，PyMuPDF 负责快速提取图片。在某些场景下，你甚至可以用 PyMuPDF 把每一页渲染成 PNG 图片，用作预览图：

import fitz doc = fitz.open("data/原始PDF/报表.pdf") for page_index in range(len(doc)): page = doc.load_page(page_index) pix = page.get_pixmap(dpi=100) pix.save(f"data/输出/page{page_index + 1}.png") doc.close()

4.5 运行与验证

用data/原始PDF下的测试文件运行上面这些脚本时，控制台会输出类似于下面的内容：

文件名：合同A.pdf｜页数：5｜大小：312.5 KB｜标题：XX项目服务合同 文件名：报表.pdf｜页数：3｜大小：208.3 KB｜标题：2025年1月销售报表 文件名：合同B.pdf｜页数：8｜大小：450.1 KB｜标题：无标题

如果 PDF 文件是从 Word 导出的，通常metadata.title会有值；如果是某些在线工具生成的，则可能没有标题。出现“无标题”不代表文件损坏，只是文件中没有写入元数据而已。

你可以打开输出目录中的文件，用 PDF 阅读器确认“合并.pdf”“拆分出来的前 3 页”是否正常。表格和图片的提取结果则取决于源 PDF 的复杂程度，不一定每次都能完美复原。

5. 常见问题与排查思路

第一次接触 PDF 自动化时，往往会遇到下面这些报错或异常。我把高频问题整理成一张速查表，方便你快速对照。

下面挑两个典型问题展开讲一下。

问题一：PDF 明明有文字，为什么提取出来是空的？

这种情况十有八九是扫描版 PDF。你可以先做一个快速验证：用浏览器或 PDF 阅读器打开文件，尝试用鼠标选中任意一段文字。如果选不中，或选中后显示的是一整块图片区域，就基本断定这是图片型 PDF。此时，提取文字的常规方案失效，需要引入 OCR 引擎，例如 Tesseract、PaddleOCR，或 PDF 转图片后再调用 OCR API。OCR 本身内容量较大，属于后续进阶话题。

问题二：同一个 PDF，pypdf 提取文本正常，pdfplumber 却提取为空？

每个库在解析 PDF 内部指令时的策略不同。pypdf 对某些内容流提取时更宽松，pdfplumber 则更严格，它可能为了保持字符位置信息而放弃一部分解析。反过来也常见：pypdf 提取乱序，pdfplumber 却能给出比较正常的结果。因此，遇到提取质量问题时，不要死磕一个库，多换一个库做交叉验证。

6. 最佳实践与工程建议

结合实际项目经验，最后给出几条建议。这些建议不一定能让你立刻解决某个具体问题，但能帮你避开办公自动化项目里的常见坑。

第一，文件路径优先使用pathlib.Path。pathlib是 Python 3 内置的路径处理模块，它既能拼接路径，又能统一处理正反斜杠，还能直接写文件。项目代码中直接写"data/原始PDF/xxx.pdf"没问题，但跨平台或复杂目录结构下，建议换成Path对象。

第二，处理多个文件时，永远是“单个文件失败不让整体中断”。办公自动化的大忌是一个脚本运行到第 20 个文件时报错，前面 19 个文件处理结果全被异常打断。更好的做法是把每个文件的处理包在try-except中，把失败文件路径和错误信息记录到一个失败清单里，等全部处理完毕后统一查看。

第三，做任何文件转换或拆分合并之前，先备份原始文件。PDF 处理通常不直接改原文件，而是生成新文件，这已经很安全。但仍要确保逻辑正确后再大批量操作。测试时建议使用副本数据，不要在生产业务数据上直接跑不成熟的脚本。

第四，批量处理时注意内存占用。pypdf、pdfplumber 处理的都是在内存中展开的文档结构，如果一次性合并几百个超大 PDF，内存可能飙升。此时可以分批处理，比如每 20 个文件先合并成一个小文件，最后再合并中间文件。

第五，优先解决“数据从哪里来，到哪里去”。办公自动化的核心不是写一段漂亮的代码，而是把输入和输出设计清楚。比如从 PDF 提取表格数据之后，要明确是输出为 CSV、Excel，还是直接写入数据库。推荐先把数据整理成统一的中间格式（如 DataFrame 或列表字典），再做后续写入，避免每个流程都从头解析 PDF。

第六，在正式读取加密 PDF 前，务必确认你拥有合法授权。办公场景中，很多合同和财务文件都带访问权限。处理这类文件时，如果无法提供密码或者没有授权，应该直接跳过并在日志中记录，而不是尝试破解或绕过限制。

第七，保留处理的日志和结果摘要。写脚本时不要只 print 到控制台，建议同时把日志写入文件。这样即使脚本跑完后很久再回溯，也能知道当时处理了多少页面、成功了多少份、哪些文件失败了。

7. 总结与下一步

这篇内容属于“办公自动化 → PDF 了解”的第一部分。重点不是让你记住某个库的所有 API，而是建立起“PDF 为什么难处理”和“不同场景应该选什么库”的意识。你至少应该能回答出下面几个问题：

• PDF 是固定版式文档，文字以坐标和内容流的形式存储，不一定按阅读顺序排列。
• pypdf 适合读基本信息、合并拆分；pdfplumber 适合文本和表格精细解析；PyMuPDF 适合高性能解析、提取图片和渲染预览；pdf2docx 则用于转 Word。
• 扫描版 PDF 没有文本层，无法直接提取文字，需要 OCR。
• 批量处理脚本必须考虑单个文件失败、路径跨平台、输出目录自动创建等工程问题。

如果你想继续深入，下一阶段可以尝试把 PDF 中的表格批量导出到 Excel，或者把一堆扫描版 PDF 通过 OCR 自动识别成可搜索的文本，也可以研究如何用 Python 自动生成一份带目录和页码的 PDF 报表。

实际项目中，优先级最高的不是“多复杂的技巧”，而是先保证“输入文件能读、读取结果可验证、输出文件不污染原数据”。把这三点做好，你的 PDF 办公自动化基础就算是扎实了。后续我会继续更新 pdf 转换、批量处理与 OCR 实战，如果你正准备在业务里处理大量 PDF，可以先把这个目录结构跑通，后面只需要不断往里面加新的处理函数即可。