pdf

PDF文档处理专家 Real Skill

一句话说明

全面的 PDF 文档处理工具，支持文本表格提取、PDF 创建、文档操作和表单填写。

PDF 处理指南——全面的 PDF 操作工具包，可用于提取文本和表格、创建新的 PDF、合并/拆分文档以及处理表单。

---

使用场景

适用：

• 从 PDF 提取文本、表格数据并导出 Excel
• 创建新的 PDF 文档（报告、证书、发票）
• 合并、拆分、旋转 PDF 文档
• 填写 PDF 表单（政府表单、申请表）
• 批量处理多个 PDF 文件

不适用：

• 扫描版 PDF（需先进行 OCR 处理）
• 复杂的 PDF 编辑（使用专业软件）

---

核心流程

用户需求 → 判断任务类型 → 选择工具 → 执行操作 → 验证输出
User request → Task type classification → Tool selection → Execute → Validate

任务类型判断：

提取数据

• 文本提取 → pdfplumber.extract_text()
  • 文本提取精度优于 pypdf
• 表格提取 → pdfplumber.extract_tables() + pandas
  • 智能识别表格结构
  • 导出为 Excel、CSV、JSON

创建 PDF

• 简单文档 → reportlab.pdfgen.canvas
  • 快速创建包含文本和图形的文档
• 复杂布局 → reportlab.platypus
  • 支持段落、表格、图像及高级样式

PDF 操作

• 合并 → pypdf.PdfWriter
  • 将多个 PDF 合并为一个
• 拆分 → pypdf.PdfWriter（将每页分别保存）
• 旋转 → page.rotate()
• 元信息 → pypdf.PdfReader.metadata / PdfWriter.add_metadata()

表单处理

• 查看字段 → 参见 forms.md
• 填写表单 → 参见 forms.md
• 批量处理 → 循环 + 表单填写 API

---

任务完成标准

必须满足（缺一不可）：

• PDF 文件可正常打开
• 提取的数据完整准确
• 表格结构保留正确（行列对应）
• 创建的 PDF 内容清晰可读

质量评级：

• ⭐⭐⭐⭐⭐ 优秀 - 数据完整 + 格式规范 + 自动化批处理
• ⭐⭐⭐ 及格 - 数据正确 + PDF 可用
• ⭐ 失败 - 数据缺失或 PDF 损坏

---

参考资料（供 AI 使用）

类型	路径	说明
核心文档	docs/00-SKILL-完整处理指南.md	完整的 PDF 处理指南（约 300 行）
表单处理	docs/forms.md	PDF 表单填写详细教程
高级参考	docs/reference.md	JavaScript 库和高级功能

---

关键原则（AI 必读）

1. 提取时优先使用 pdfplumber

• 文本提取：精度高于 pypdf
• 表格识别：表格识别能力强
• 布局保留：保留布局信息
• 复杂 PDF：更适合处理复杂 PDF

2. 表格数据规范化

# Best practice for table extraction
import pdfplumber
import pandas as pd

all_tables = []
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # Check not empty
                df = pd.DataFrame(table[1:], columns=table[0])  # First row as header
                all_tables.append(df)

# Combine and clean
combined = pd.concat(all_tables, ignore_index=True)
combined.to_excel("output.xlsx", index=False)

3. 扫描版 PDF 需要 OCR

• 识别：如果文本提取结果为空或是乱码
• 处理：必须先使用 OCR 工具（Tesseract、Adobe Acrobat 等）
• 告知用户：明确告知用户需要进行 OCR 预处理

4. 大文件内存管理

• 批量处理多个 PDF
• 按顺序逐页处理，而不是一次性加载整个文档
• 尽可能使用生成器

---

快速命令参考

文本提取

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

表格转 Excel

import pdfplumber
import pandas as pd

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

combined = pd.concat(all_tables, ignore_index=True)
combined.to_excel("extracted_tables.xlsx", index=False)

合并 PDF

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)

with open("merged.pdf", "wb") as output:
    writer.write(output)

拆分 PDF

from pypdf import PdfReader, PdfWriter

reader = PdfReader("large_document.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as output:
        writer.write(output)

创建 PDF

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
c.drawString(100, height - 100, "Hello World!")
c.save()

提取元信息

from pypdf import PdfReader

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Pages: {len(reader.pages)}")

---

依赖安装

Python 依赖

pip install -r requirements.txt
# Includes: pypdf, pdfplumber, reportlab, pandas, openpyxl

---

常见场景示例

场景 1：批量提取发票表格

import pdfplumber
import pandas as pd
import glob

all_data = []
for pdf_file in glob.glob("invoices/*.pdf"):
    with pdfplumber.open(pdf_file) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                if table:
                    df = pd.DataFrame(table[1:], columns=table[0])
                    df['source_file'] = pdf_file
                    all_data.append(df)

combined = pd.concat(all_data, ignore_index=True)
combined.to_excel("all_invoices.xlsx", index=False)

场景 2：生成带表格的报告

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle, Paragraph
from reportlab.lib.styles import getSampleStyleSheet

doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []

# Title
story.append(Paragraph("Sales Report", styles['Title']))

# Table
data = [
    ['Product', 'Q1', 'Q2', 'Q3', 'Q4'],
    ['Product A', '1000', '1200', '1100', '1300'],
    ['Product B', '800', '900', '950', '1000']
]
t = Table(data)
t.setStyle(TableStyle([
    ('BACKGROUND', (0, 0), (-1, 0), 'grey'),
    ('TEXTCOLOR', (0, 0), (-1, 0), 'white'),
    ('ALIGN', (0, 0), (-1, -1), 'CENTER'),
    ('GRID', (0, 0), (-1, -1), 1, 'black')
]))
story.append(t)

doc.build(story)