PDF处理工具包

技能简介

基于Python库和命令行工具的PDF综合处理方案，支持文本与表格提取、新建PDF、合并拆分文档及表单处理。

能做什么

• 从PDF中提取纯文本，保留原始排版格式
• 识别并导出PDF中的表格数据到Excel
• 将多个PDF文件合并为单一文档
• 按页码范围拆分PDF为独立文件
• 旋转指定页面或整份文档
• 读取和修改PDF元数据信息
• 使用reportlab生成新的PDF文档
• 通过命令行工具快速处理批量文件

使用说明

环境准备

# 安装Python依赖
pip install pypdf pdfplumber reportlab pandas openpyxl

# Linux系统安装命令行工具
sudo apt-get install poppler-utils qpdf pdftk

基础用法示例

1. 提取文本内容

from pypdf import PdfReader
reader = PdfReader("document.pdf")
text = ""
for page in reader.pages:
    text += page.extract_text()

2. 提取表格数据

import pdfplumber
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            print(table)

3. 合并多个PDF

from pypdf import PdfWriter, PdfReader
writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)
with open("merged.pdf", "wb") as output:
    writer.write(output)

4. 命令行快速处理

# 提取文本
pdftotext -layout input.pdf output.txt

# 合并文件
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

输入与输出

见下方输入与输出表格。

风险提示

• 扫描版PDF需先进行OCR识别才能提取文字
• 加密PDF需提供密码才能处理
• 复杂表格的自动识别可能存在格式偏差，建议人工核对
• 批量处理前请备份原始文件
• 部分字体嵌入方式可能导致提取文本出现乱码

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/seanphan/pdf-2/SKILL.md
来源类型：GitHub仓库