PDF处理工具包

技能简介

该技能提供完整的PDF文档处理能力，支持文本与表格提取、新建PDF、合并拆分文档及表单处理。基于pypdf、pdfplumber、reportlab等Python库实现，同时包含命令行工具方案。

业务背景

解决企业日常PDF文档处理繁琐低效的问题。业务人员无需依赖专业软件或技术团队，即可自主完成合同归档、报表整合、数据提取等高频操作，将重复性文档工作自动化，释放人力专注核心业务决策。

落地案例：财务部每月需汇总各区域销售报表，传统方式手动复制粘贴耗时易错。使用本工具包，可批量提取数百份PDF中的表格数据并合并为统一Excel；法务部收到多份合同扫描件后，按签约方拆分归档，全程无需打开专业PDF编辑器，处理效率显著提升。

能做什么

• 从PDF中提取纯文本与结构化表格数据
• 合并多个PDF文件或按页拆分为独立文档
• 创建新PDF并添加文字、图形、多页内容
• 旋转页面、提取元数据、移除密码保护
• 批量处理PDF表单填写任务

使用说明

安装依赖

pip install pypdf pdfplumber reportlab pandas
# Linux系统可选命令行工具
sudo apt-get install poppler-utils qpdf pdftk

基础读取与文本提取

from pypdf import PdfReader
reader = PdfReader("document.pdf")
print(f"总页数: {len(reader.pages)}")
text = "".join(page.extract_text() for page in reader.pages)

表格提取（保留结构）

import pdfplumber, pandas as pd
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            df = pd.DataFrame(table[1:], columns=table[0])

合并PDF文档

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

创建新PDF

from reportlab.pdfgen import canvas
c = canvas.Canvas("output.pdf")
c.drawString(100, 700, "Hello World")
c.save()

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OCR识别，直接提取可能返回空内容
• 加密PDF需提供密码才能处理
• 复杂排版表格提取结果可能需要人工校验
• 中文字体需单独配置，默认可能显示乱码

来源信息

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