企业官网建设流程全解析

身为一个每天和 Word、Excel、PPT 打交道的办公人员，或是经常需要处理合同、报表、论文的技术开发者，你迟早会遇到一个绕不开的问题：PDF。

PDF 是一种极其常见的文档格式，但它和 Word 不一样，它更像一张“电子纸”，上面的内容被固定住了。这就意味着你没法像编辑 Word 那样随意修改，连复制里面的文字都经常会乱码或排版错乱。于是，很多人为了转换一个 PDF 文件到处找在线工具，结果不是要付费，就是担心文件上传到第三方服务器有泄露风险。如果处理的是合同、标书、身份证扫描件这类敏感文件，用在线工具其实非常不安全。

用 Python 来处理 PDF，并不是什么黑科技，它其实是在“读”和“写”之间寻找一种结构化的平衡。Python 可以把 PDF 从“死文档”变成“活数据”，让你能够批量提取、拆分、合并甚至自动填充。你不需要掌握多复杂的计算机知识，只要装上几个库，照着代码往下写，就能自己搭建一个本地、离线、免费的 PDF 工具箱。

这篇文章呢，我就以“办公自动化”为场景，带你从零开始认识 PDF 在 Python 眼中的样子，然后带你动手写出几个最常用的 PDF 处理脚本。不管你是刚入门 Python 的小白，还是有一定基础的开发同学，这篇文章都会给你一个清晰、能直接上手的思路。

1. 为什么办公自动化绕不开 PDF

在正式写代码之前，我们先要回答一个问题：你可能已经会处理 Excel、Word 了，为什么偏偏 PDF 是办公自动化里最让人头疼，却又必须攻克的一环？

核心原因在于交互方式的差异。Word、Excel 的本质是“内容容器”，它们的设计目标就是方便你随时修改和编辑。PDF 的全称是 Portable Document Format，它的目标是“跨平台输出不变样”。它把字体、图片、排版全部“冻结”进一个文件里，让所有设备打开都能看到同一幅画面。因此，PDF 并不像 Word 那样友好地“允许”程序直接修改内部结构。很多财务人员、行政人员每天都要在几十个 PDF 里做同样的事情：提取几行文字、把多份合同拆出来、给 PDF 加水印，或是把扫描件转成可搜索的文档。这些事情靠人工点击，一次两次还勉强能接受，如果次数多呢？枯燥、易错、还伤眼睛。

从办公自动化的角度看，PDF 处理可以分为三个层次。

第一层是“看懂它”：把 PDF 里面的文字、表格、图片识别出来。这个层次要解决的是数据录入和信息检索问题。第二层是“重排它”：按页码拆分、合并、旋转、加解密。这类操作不是在内容内部进行重排，而是对整个文档的结构进行操作。第三层是“改造它”或“生成它”：把一批 HTML、图片或数据动态填写进去，变成一份格式统一的 PDF 报告。这通常是自动化的最后一个输出环节。

我见过很多初级自动化项目，往往在开始时低估了 PDF 文本提取的复杂度。你从 PDF 中提取出的文字顺序可能不是阅读顺序而是绘制顺序，也可能是乱码。假如没有深入理解“为什么 PDF 里的文字不是天生整齐的”这个道理，你的代码测试一百遍都可能通过不了。

所以在 Python 办公自动化实践中，PDF 处理的代码逻辑往往不复杂，复杂的恰恰是你对这个格式本身的理解，以及你对第三方库边界能力的判断。这也是我写这一篇文章的初衷：先把 PDF 这件事想清楚，再去写代码，这样你会少走很多弯路。

2. PDF 在 Python 眼中的基础概念

如果你曾经尝试过用记事本打开 PDF 文件，你会看到一堆乱码。这很正常，因为 PDF 本质上是一个复杂的、带压缩和对象索引的二进制文档格式。

我建议你先把 PDF 理解成一个容器，而不是一个纯文本文件。它的内部包含多个页面对象，每个页面对象都有一份资源字典，记录了页面上使用了什么字体、什么图片、什么图形指令。它并不是像 HTML 那样按我们阅读的顺序“从上到下”存储内容的。举个很简单的例子：如果你在 PDF 里看到一个“你好”单词，它在这个文件中可能是以四个独立字符的形式存在的，每个字符都被精确地指定了坐标。这也就是为什么直接用文本方式复制 PDF 时，很可能变成一行行乱序的片段。

在 Python 生态中，要想处理好 PDF，最核心的一条原则是：按需选择工具。

如果你只是想读取 PDF 的元数据、合并拆分 PDF、写入门级的文本提取，可以优先考虑 PyPDF2 或者它的维护升级版本 pypdf。这类库在结构操作上很在行，但在复杂版式的文本提取上表现一般。

如果你需要从带有复杂排版的 PDF 里提取干净的文本，或者需要提取表格数据，推荐 pdfplumber。它在底层封装了 pdfminer.six，对坐标和划线检测做了很多优化，非常适合处理含表格的版式。

如果你需要把 PDF 转成图片，或者在图像层面做 OCR，那么 PyMuPDF（也就是 fitz）是性能最好的选择之一。它的渲染速度非常快，能一页一页地把 PDF 画成高分辨率的 PNG。

如果只是单纯的处理扫描版 PDF，比如要把图片上的文字识别出来并做成可搜索文本，则需要结合 OCR 库，比如 PaddleOCR 或 Tesseract。

很多同学一上来就学了一堆 PDF 库，遇到问题也不知道该用哪个，代码写着写着就越写越乱。真正的做法是用一个小小决策来统一逻辑：

• 你要做文档结构处理（拆分、合并、加密、旋转），首选 PyPDF2/pypdf；
• 你要做文本和表格数据抽取，首选 pdfplumber；
• 你要做页面渲染和矢量绘图，首选 PyMuPDF。

这篇文章中，我尽量围绕最常见的操作讲：读取 PDF 信息、提取文本、拆页、合并、加密。这几个操作用 PyPDF2 系列就可以完成。而在表格提取的部分，我会引入 pdfplumber 演示。

3. 环境准备与前置条件

在正式开始编码之前，你需要确保你的 Python 环境是正常的。我推荐你使用 Python 3.8 以上版本，因为本文中使用的库在新版本 Python 上表现更稳定。如果你的电脑还没有安装 Python，建议去 Python 官网下载稳定版，安装时记得勾选“Add Python to PATH”。

然后我们需要安装以下几个库。你可以在命令行（Windows 下是 CMD 或 PowerShell，macOS/Linux 下是终端）中输入以下命令：

pip install pypdf pdfplumber

这里要说明一点：早期大家常看到的 PyPDF2 在 2022 年前后已经停止了积极维护，社区更推荐使用 pypdf 作为替代，它的 API 与 PyPDF2 基本兼容，而且修复了很多 bug。我们这里使用pypdf作为示例。当然，你机器上如果之前已经安装了 PyPDF2，很多代码同样适用，只是类名的导入路径可能会有差异，建议你在动手前先用下面的命令确认一下版本。

pip show pypdf

如果你看到类似Version: 4.x.x的输出，说明安装没有问题。

除此之外，我们或许还会用到文件路径的操作，所以一起安装标准库里的 pathlib 吗？不需要，pathlib 是 Python 3 标准自带的，直接用就行。

在开始写代码前，我们最好准备一个测试用的 PDF 文件。你可以随意创建一个 Word 文档，另存为 PDF；也可以从你手头的资料中找一个 PDF。文章里的示例文件，我统一用/tmp/sample.pdf和/tmp/output作为示意，大家在实际操作时记得换成自己的真实路径。如果你是 Windows 环境，可以把这些路径改成D:\\pdf_demo\\sample.pdf这类路径。

4. 用 Python 读取 PDF 基础信息

我们先用最常遇到的需求开始：拿到一个 PDF 文件后，自动读取它的文件名、页数、作者、创建时间等基础信息。在没有使用 Python 前，你多半是打开文档，然后去属性里翻页数。现在这个操作可以变成代码里的一个函数。

下面是最小化的示例。我这里用pypdf.PdfReader来加载文件：

# 文件路径：read_pdf_info.py from pypdf import PdfReader def show_pdf_info(pdf_path): reader = PdfReader(pdf_path) pages = len(reader.pages) meta = reader.metadata print("文件路径:", pdf_path) print("PDF 页数:", pages) if meta is not None: print("标题:", meta.title) print("作者:", meta.author) print("创建者:", meta.creator) print("创建时间:", meta.creation_date) else: print("该 PDF 不包含元数据信息") if __name__ == "__main__": show_pdf_info("/tmp/sample.pdf")

这段代码背后的逻辑很简单：先用PdfReader读取文件路径，生成一个可操作的 reader 对象；然后通过len(reader.pages)获取页面总数；随后从reader.metadata中读取可选的元数据字段。

需要注意，不是所有 PDF 都有 metadata 字段，比如一些打印店生成的 PDF 可能没有作者和标题。因此代码里用if meta is not None做了个保护，避免程序报错。

运行这个脚本预期会输出类似如下内容：

文件路径: /tmp/sample.pdf PDF 页数: 12 标题: 2024年度项目报告 作者: 创建者: Microsoft Word 创建时间: 2024-01-15 10:23:45

如果出现FileNotFoundError这类报错，大概率是路径不对。如果出现PyCryptodome is required for AES encryption，说明你打开的是一个加密的 PDF，需要额外安装或输入密码，我们后文会提到。

5. 使用 Python 提取 PDF 文本与表格

接下来是 PDF 办公自动化中最核心的需求之一：提取文本。

在做数据录入、报销审核、合同关键信息抓取时，我们通常希望从 PDF 中直接把文字弄出来。如果你用 PyPDF2/pypdf 去提取文本，会发现它对纯文字型 PDF 支持尚可，但对复杂版式或表格，效果不理想。

这里我们要明白一个概念：PDF 中文字的抽取更像是一次“还原”，而不是简单的“复制”。还原的规则依赖库对内容流的解析和坐标排序。所以如果你的材料是扫描件（本质是图片），那么任何提取文本的库都无法直接产生文字，必须借助 OCR。

下面用pdfplumber提取文本。这是一个能保留坐标关系并做重组的好工具。

# 文件路径：extract_text.py import pdfplumber def extract_text_from_pdf(pdf_path, start_page=0, end_page=None): all_text = [] with pdfplumber.open(pdf_path) as pdf: total_pages = len(pdf.pages) if end_page is None: end_page = total_pages - 1 for page_index in range(start_page, min(end_page + 1, total_pages)): page = pdf.pages[page_index] text = page.extract_text() if text: all_text.append(f"----- 第 {page_index + 1} 页 -----") all_text.append(text) return "\n".join(all_text) if __name__ == "__main__": content = extract_text_from_pdf("/tmp/sample.pdf") print(content) # 可以把内容保存为 txt 文件 with open("/tmp/sample_text.txt", "w", encoding="utf-8") as f: f.write(content)

调用page.extract_text()时，如果返回None，大概率这一页是扫描图片或没有可提取的文本层。这种情况下如果你真的想拿到文字，需要走 OCR 路线。

再讲一个常见的办公场景：提取表格。很多 PDF 里的表格看似是表格，其实只是用横线和竖线画出来的图形，上面散布着文字。pdfplumber 提供了extract_tables()方法，专门处理这种带划线表格。

# 文件路径：extract_table.py import pdfplumber def extract_table_from_pdf(pdf_path, page_number=0): with pdfplumber.open(pdf_path) as pdf: page = pdf.pages[page_number] tables = page.extract_tables() for table_idx, table in enumerate(tables): print(f"发现第 {table_idx + 1} 个表格：") for row in table: print(row) if __name__ == "__main__": extract_table_from_pdf("/tmp/sample.pdf", page_number=2)

这里需要注意，extract_tables()对完整有线框的表格效果最好。如果表格没有线框，只是用空白间距排版出来的视觉表格，那很难直接抽取，需要你先用extract_text()拿到整块文本，再用正则或关键词做二次整理。所以我们在实际项目里，不要指望一个库能解决所有版式。判断版式，然后选择合适的策略，这才是工程化的思路。

6. 拆分与合并 PDF：最实用的办公脚本

讲完“读”，我们再看“重排”。拆分与合并 PDF，可能是日常办公中最高频、最节省时间的操作了。试想一下，你手头有一份 100 页的 PDF，领导只需要其中的 7 到 18 页，你要怎么发给他？如果手动操作，要用 Adobe 或 WPS 的“提取页面”，再另存为新文档。但如果每天都要拆十几份材料呢？手点太慢了。

Python 可以轻松实现按页拆分。

# 文件路径：split_pdf.py from pypdf import PdfWriter, PdfReader def split_pdf_pages(pdf_path, output_dir, page_ranges): """ :param pdf_path: 原始 PDF 路径 :param output_dir: 输出目录 :param page_ranges: 由元组组成的列表，如 [(0, 2), (3, 5)] 表示保留第 1-3 页和 4-6 页（页码索引从 0 开始） """ reader = PdfReader(pdf_path) total_pages = len(reader.pages) for idx, (start, end) in enumerate(page_ranges): writer = PdfWriter() start = max(start, 0) end = min(end, total_pages - 1) if start > end: continue for page_no in range(start, end + 1): writer.add_page(reader.pages[page_no]) output_path = f"{output_dir}/split_part_{idx + 1}.pdf" with open(output_path, "wb") as f: writer.write(f) print(f"已生成: {output_path}，包含 {end - start + 1} 页") if __name__ == "__main__": split_pdf_pages("/tmp/sample.pdf", "/tmp/output", [(0, 2), (3, 5), (6, 9)])

在上面的代码中，page_ranges里的数字是从 0 开始的，比如(0, 2)表示提取第 1 页到第 3 页。很多初学者容易在这里数错页码，我建议你在实际应用前先读懂len(reader.pages)的页数含义。在实际办公中，为了更友好，你可以把 page_ranges 设计成用户直观看到的 1 到 N，然后在代码内部减 1。我上面没有做这个转换，是为了保持示例简单，真实项目里请务必做一层转换，防止用户把“第 1 页”理解成索引 1 导致定位错误。

合并 PDF 也同样简单。它的逻辑是创建统一的 PdfWriter，然后遍历多个 PdfReader 对象，把页面添加到同一个 writer 里。

# 文件路径：merge_pdf.py from pypdf import PdfReader, PdfWriter def merge_pdfs(pdf_paths, output_path): writer = PdfWriter() for pdf_path in pdf_paths: try: reader = PdfReader(pdf_path) print(f"添加文件: {pdf_path}，页数: {len(reader.pages)}") for page in reader.pages: writer.add_page(page) except Exception as e: print(f"处理 {pdf_path} 失败: {e}") with open(output_path, "wb") as f: writer.write(f) print(f"合并完成: {output_path}") if __name__ == "__main__": pdf_list = ["/tmp/part1.pdf", "/tmp/part2.pdf", "/tmp/part3.pdf"] merge_pdfs(pdf_list, "/tmp/merged.pdf")

关于这个代码，有一点要提醒：PdfReader在打开加密 PDF 时，可能需要PdfReader(pdf_path, password="密码")这样传入密码，否则会抛异常。所以在拆分合并批量文件之前，建议先把来源文件的加密情况摸清，否则脚本会在运行中段崩溃。

7. 给 PDF 加密与解密

在办公场景里，加密 PDF 也很常见。你可以给一份客户合同添加打开密码，避免无关人员看到内容。用 Python 可以做到这一点，代码非常好懂。

# 文件路径：protect_pdf.py from pypdf import PdfReader, PdfWriter def encrypt_pdf(pdf_path, password, output_path): reader = PdfReader(pdf_path) writer = PdfWriter() for page in reader.pages: writer.add_page(page) # 设置打开密码，并限制打印和复制权限 writer.encrypt(user_password=password, owner_password=None, use_128bit=True, permissions_flag=0xFFFF) with open(output_path, "wb") as f: writer.write(f) print(f"加密完成: {output_path}") if __name__ == "__main__": encrypt_pdf("/tmp/sample.pdf", "your-password-123", "/tmp/encrypted.pdf")

这里permissions_flag=0xFFFF表示授予所有权限。如果你希望禁止打印，需要把 permissions_flag 设置为某个特定的位运算值。但在实际办公软件中，不同阅读器对权限位的理解未必完全一致，所以这里我建议先保持默认的授权模式。为什么？因为权限控制不解决真正的安全问题，它只是对阅读器的一个提醒。如果要真正保密，还是要用打开密码。

解密 PDF 在 pypdf 中也有对应方法，但要注意，解密操作只能针对用户密码为空的文件，如果源文件设置了打开密码而你不知道，那从原理上就不该尝试绕过，因为你没有授权。

# 文件路径：decrypt_pdf.py from pypdf import PdfReader, PdfWriter def decrypt_pdf(pdf_path, password, output_path): reader = PdfReader(pdf_path) if reader.is_encrypted: result = reader.decrypt(password) if result == 0: print("密码错误，无法解密") return writer = PdfWriter() for page in reader.pages: writer.add_page(page) with open(output_path, "wb") as f: writer.write(f) print(f"解密完成: {output_path}") if __name__ == "__main__": decrypt_pdf("/tmp/encrypted.pdf", "your-password-123", "/tmp/decrypted.pdf")

再强调一次安全边界：这里讨论的加密解密，对象必须是本人持有、或已获得合法授权的 PDF 文档。你可以在办公自动化时用它管理自己的文件，但不要打算去破解别人的加密文件。逆向处理未授权文件既无必要，也不符合正当技术规范。

8. 运行验证与效果检查

我们写好了这么多脚本，问题是怎么验证它是否正常工作。很多初学者喜欢把代码运行一把，看到没有报错就说好了，这远远不够。对于办公自动化脚本，结果文件的正确性比运行不报错重要得多。

我的建议是采用“三层验证法”。

第一层是命令行运行成功。比如你运行python merge_pdf.py，能打印出“合并完成”且没有抛异常。

第二层是文件级验证。代码执行后，除了看输出日志，还要检查生成的文件大小是否非零。如果原来合并的文件总共 10 MB，合并后的文件却只有 1 KB，那大概率是有问题的，即使脚本没有报错。

第三层是内容级验证。你可以写一个校验函数，读取生成后的 PDF 页数，并打开某一页，用extract_text()判断某个关键词是否存在。

# 文件路径：verify_pdf.py from pypdf import PdfReader import pdfplumber def verify_pdf(pdf_path, expect_pages=None, expect_keywords=None): print("开始验证:", pdf_path) reader = PdfReader(pdf_path) actual_pages = len(reader.pages) print("页数:", actual_pages) if expect_pages is not None: if actual_pages == expect_pages: print("页数校验通过") else: print(f"页数校验失败，预期 {expect_pages}，实际 {actual_pages}") if expect_keywords: with pdfplumber.open(pdf_path) as pdf: text = "" for page in pdf.pages: page_text = page.extract_text() if page_text: text += page_text for keyword in expect_keywords: if keyword in text: print(f"关键词 [{keyword}] 存在") else: print(f"关键词 [{keyword}] 不存在") if __name__ == "__main__": verify_pdf("/tmp/merged.pdf", expect_pages=20, expect_keywords=["合同", "金额"])

如果验证不通过，不要急着换库或者查语法，先看一下原始 PDF 是否本身就不包含这些文字。比如扫描版 PDF 里可能写着“合同”两个字，但它是图片，不是文本层，所以提取不到。这种情况并不是代码有问题，而是数据源的问题。

实际项目里，我会把校验逻辑封装成一个函数，放在每个批处理任务的最后一步。比如批量拆分 50 个 PDF 后，统一执行校验程序，生成一份报告。这样一旦出现个别文件页数不对，可以在报告里精确知道是哪一个文件、哪一段页码范围有问题，而不是等用户发现后再追查。

9. 常见问题与排查思路

PDF 处理脚本看起来很简单，实际上在真实项目中栽跟头的人不少。我整理了下面几个高频问题，并给出排查思路。

针对最常见的情况再做一点说明。如果你处理的是中文 PDF，文本提取的第一步应该先搜一下文件有没有字体嵌入限制。很多企业内部的 PDF 会用自定义字体子集化，转出来之后文字顺序和视觉不完全一致。这时候，与其花大力气去调库的参数，我更建议沉淀一个思路：先抽一小段样本文本人工比对。绝大多数情况下，人能看得出来的规则，代码都能改出来；人看不出来的规则，就不要硬调了。

还有一点比较重要：当你在 Python 中使用 pypdf 创建出来的 PDF 或加密文件，有极低概率在某些老版本阅读器中打开时提示错误。这时先不要怀疑代码逻辑，可以试试把输出的 PDF 再重新复制一个版本，或用 WPS/Adobe 打开一次。哪一步会导致兼容性问题，再针对性地调整参数。办公自动化的目标是解决问题，不是要写出多漂亮的代码，所以保持“输出兼容性优先”的思路更有利于产出。

10. 最佳实践与工程建议

如果你打算把这些脚本放到日常脚本库中，长期使用，下面几条工程建议可以帮你省下不少力气。

第一，统一封装路径与输出规范。不要在每个脚本里硬编码文件路径，而是通过一个config.py集中管理输入目录、输出目录和临时目录。这样即使换了电脑或文件目录，只需要改一个配置文件，不需要把代码翻个底朝天。

# 文件路径：config.py from pathlib import Path BASE_DIR = Path(__file__).parent INPUT_DIR = BASE_DIR / "input" OUTPUT_DIR = BASE_DIR / "output" TEMP_DIR = BASE_DIR / "temp" # 这些目录如果不存在则自动创建 for d in [INPUT_DIR, OUTPUT_DIR, TEMP_DIR]: d.mkdir(parents=True, exist_ok=True)

第二，注意敏感文件的最小留存。PDF 里常常有身份证复印件、合同盖章、财务信息。你处理的中间文件，比如提取出的 txt、拆分后的临时 PDF，在任务结束后要及时清理。如果你把代码放到服务器上自动跑，不要忘了定期清理临时目录。

第三，适当地记录执行日志。不要只在屏幕上 print，最好同时输出到日志文件。尤其当你要批量处理几百份 PDF 时，中途任何一个文件报错，都需要事后可以回溯。

# 文件路径：logger.py import logging logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(name)s - %(levelname)s - %(message)s", handlers=[ logging.FileHandler("pdf_automation.log", encoding="utf-8"), logging.StreamHandler() ] ) logger = logging.getLogger("pdf_tool")

第四，把 PDF 处理的常用函数建一个自己的工具包。比如pdf_utils.py文件里封装extract_text、split_pdf、merge_pdf、encrypt_pdf，其他调度脚本通过 import 复用。不要在多个脚本里重复复制粘贴同一段逻辑。你只需要保证封装粒度适中，不要依赖固定的“主流程”，因为不同任务组合会很不一样。

第五，在处理大批量任务前一定要做抽样测试。建议在一个小的测试集上尝试完再批量执行，避免整个文件夹一次性跑挂，造成文件损坏或输出结果不对。

最后想说的一点是：尽量把 PDF 处理和 Excel、Word 处理串联起来。很多办公自动化任务并不是孤立的。比如你可能从一个 PDF 合同里提取文本，再把关键字段写入 Excel 表；也可能先批量合并 PDF，再通过邮件或企业微信机器人发送。学会用 Python 把这些环节串起来，你的自动化网络才会真正成型，效率也会几倍地上升。PDF 处理将成为这整条流水线上坚实的一环。

11. 总结与实践建议

这篇文章从办公自动化的视角，把 PDF 的基础概念、读取信息、文本提取、表格抽取、拆分合并、加解密以及验证方法串成了一整条操作链。你可以照着这些代码去搭一套本地 Python 小工具，解决日常“手动点开 PDF 一点点操作”的低效痛点。

我们列出的代码都是可以跑的总起点，但我强烈建议你从第一个脚本开始，亲手动一动。先拿一个简单的 PDF 测试，输入和输出只要换一换路径，跑通了再扩展。之后再进入一个更复杂的场景，比如每月从几十份 PDF 报告中汇总客户出账金额，这时候你再把提取好的数据接入 Excel 处理流程，你就能体会到所谓办公自动化是什么感觉了。

真正让你进步的不是收藏这份代码，而是你用这串代码跑通了自己手头的一个麻烦。要想进一步学习，你可以考虑研究三个方面：PDF 的内部结构与页对象，或者学习 pdfplumber 的表格解析原理，又或者涉猎 OCR 技术将扫描型 PDF 转换为可检索文档。如果这篇文章对你有帮助，建议收藏备用。后续我还会沿着办公自动化这条线写更多 Python 实操教程，期待你一起把手里重复、枯燥的文件工作变成几分钟跑完的脚本。