Python PDF办公自动化：格式解析、合并拆分、文本表格提取指南

在日常办公和数据处理中，PDF 是出现频率极高的文件格式。无论是阅读合同、整理报价单、合并扫描件、提取报销发票信息，还是把系统导出的 PDF 报表转成 Excel 再汇总，都会涉及大量重复操作。手动处理这些文件不仅浪费时间，还容易出错。而 Python 恰好提供了一套比较成熟的 PDF 处理方案，借助几个第三方库，就可以把重活交给脚本完成。

本篇文章属于 Python 办公自动化系列中 PDF 主题的开篇，会从 PDF 的基础概念讲起，结合代码演示常见操作方法，包括读取页面信息、合并拆分 PDF、提取文本和表格，以及 PDF 转 Word 的思路。适合对 Python 语法有基本了解、想在办公场景中提升效率的读者，也适合刚接触办公自动化的新手对照练习。

1. PDF 文件格式与办公自动化场景

1.1 PDF 格式的基本特点

PDF 的全称是 Portable Document Format，中文一般叫“便携式文档格式”，由 Adobe 公司提出，现在由国际标准化组织 ISO 维护。它最大的特点是“版式固定”：无论在 Windows、macOS、Linux，还是在不同品牌的打印机上打开，字体、图片、表格位置都能保持一致。对需要跨平台流转、打印、存档的正式文件来说，这是很明显的优势。

但从另一个角度看，PDF 也更像“一张电子纸”。它内部保存的是文字、矢量图形、图片对象以及它们的坐标位置，而不是像 Word 那样按段落和样式保存。所以 PDF 中的文字可以被复制阅读，但想直接改段落布局就比较麻烦。日常办公中常见的“PDF 怎么编辑”“PDF 转 Word 后排版乱了”等问题的根源，往往就在这里。

1.2 办公自动化中的常见 PDF 需求

在办公自动化的实际项目里，PDF 相关的需求大致可以分成几类：

如果是做财务报销、人力资源简历筛选、招投标文件整理、订单单据归档这类工作，上面这些需求几乎每天都会遇到。用 Python 写一个脚本，就能把几分钟手动操作缩短到几秒钟。

1.3 为什么选择 Python 做 PDF 文件处理

选择 Python，主要是因为它的库生态完整，语法相对简洁。处理 PDF 时，不需要去理解 PDF 标准内部的复杂字节结构，只需要调用库提供的 API，就能读取页面、文字和表格。另外 Python 本身擅长文本处理和数据分析，提取出 PDF 内容后，可以很方便地和 Excel、CSV、数据库对接，容易形成一条完整的自动化流程。

不过需要注意，Python 并没有一个能解决所有 PDF 需求的“万能库”。不同库各有特长：有的擅长读取元数据，有的擅长定位表格坐标，有的擅长重新排版生成新 PDF。因此，本文会从了解和选型开始，帮大家建立正确的知识框架。

2. Python 处理 PDF 的常用库

2.1 pypdf / PyPDF2：PDF 基础操作

PyPDF2 是老牌 Python PDF 处理库，很多早期教程都会提到它。不过它的维护节奏不太稳定，后来社区推出了 pypdf，可以看作 PyPDF2 的延续版本。新项目建议优先使用 pypdf，API 兼容性较好，仍在持续更新。

pypdf 适合做以下操作：

• 读取 PDF 页数、作者、标题等元数据。
• 按页合并、拆分 PDF。
• 给 PDF 旋转页面。
• 给 PDF 添加水印。
• 对 PDF 设置密码或解密。

它的优点是安装简单、API 直观；不足是提取复杂版式文本时表现一般。

2.2 pdfplumber：文本与表格精确提取

pdfplumber 是一个专注于“从 PDF 中提取信息”的库。它会把页面中的每一个字符、线条、矩形都解析成对象，然后提供基于坐标的访问方式。因此，当需要从带边框表格、报销单、物流单中抽取数据时，pdfplumber 通常比 pypdf 更可靠。

pdfplumber 的典型用途：

• 提取纯文本和指定坐标区域的文字。
• 提取表格，每个单元格中的内容会以二维列表返回。
• 查看页面中的线条、矩形位置，定位图片。

缺点是对复杂排版的处理需要一定调试成本，而且提取速度会比简单读取页数慢一些。

2.3 reportlab：从零生成 PDF

前面几个库偏重“读”，reportlab 则偏重“写”。它可以根据代码动态生成 PDF，适合在办公自动化流程中创建对账单、报告、标签等文件。reportlab 功能强大，但上手曲线比 pypdf 高一些，因为需要理解 canvas、platypus 等概念。

2.4 PyMuPDF：高性能渲染与操作

PyMuPDF 是对 MuPDF 库的封装，特点是速度快、功能全。它可以把 PDF 页面渲染成图片，也可以提取文本、图片和矢量图形，还支持在 PDF 上做注释。它的 API 名称以 fitz 开头，所以代码中常常看到import fitz。如果觉得 pdfplumber 提取速度太慢，可以尝试 PyMuPDF。

2.5 库的选型建议

实际项目中可以根据需求组合使用，比如先用 pypdf 拆分 PDF，再用 pdfplumber 提取特定页面的表格。

3. 环境准备与基础概念

3.1 Python 与第三方库安装

本文示例使用 Python 3.8 以上版本。如果电脑还没有安装 Python，可以到 Python 官网下载安装包，安装时记得勾选“Add Python to PATH”。安装完成后，在命令行输入下面命令确认版本：

python --version

接着安装本文需要的第三方库：

pip install pypdf pdfplumber pdf2docx

如果你的项目同时需要操作 Excel，可以继续安装 openpyxl 或 pandas：

pip install openpyxl pandas

安装过程如果提示 pip 版本较旧，可以先升级 pip：

python -m pip install --upgrade pip

3.2 示例文件准备

为了便于后续练习，建议创建一个独立的项目目录，并放入几个测试 PDF。比如：

pdf_auto/ ├── file1.pdf ├── file2.pdf └── demo.py

如果手头没有现成的 PDF，可以先用 WPS 或浏览器打印功能生成一个带表格的 PDF，也可以在 Word 里简单制作后另存为 PDF。为了方便验证表格提取，建议准备一个带有明显边框表格的 PDF 文件。

3.3 PDF 对象模型的基础认识

在开始写代码前，先简单了解 PDF 的内部逻辑。一个 PDF 文件通常由 4 类对象组成：

• 内容流（Content Stream）：描述页面上的文字、图形如何绘制。
• 页面对象（Page Object）：对应一页，里面包含该页的媒体框、旋转角度、内容流引用等。
• 字体和资源对象：描述页面使用的字体、图片资源。
• 元数据（Metadata）：如标题、作者、创建时间，通常存储在 DocumentInfo 或 XMP 元数据中。

pypdf 读取 PDF 后，会把整个文档封装成一个 PdfReader 对象。这个对象里面有一个 pages 列表，每个元素代表一页。理解了这个结构，后面的代码就会显得很自然：先打开文件，再遍历页面或读取页面属性。

4. 实战一：读取 PDF 基础信息

4.1 需求描述

我们有多个 PDF 文件，需要查看每个文件的页数、作者、创建日期等基本信息。这是 PDF 办公自动化中最入门的操作，适合理解 pypdf 的 API 用法。

4.2 编写代码

创建read_pdf_info.py，代码如下：

# 文件路径：pdf_auto/read_pdf_info.py from pypdf import PdfReader def show_pdf_info(pdf_path): reader = PdfReader(pdf_path) meta = reader.metadata print(f"文件：{pdf_path}") print(f"页数：{len(reader.pages)}") if meta: print(f"标题：{meta.title}") print(f"作者：{meta.author}") print(f"创建时间：{meta.creation_date}") # 读取第一页的尺寸 first_page = reader.pages[0] width = first_page.mediabox.width height = first_page.mediabox.height print(f"第一页尺寸：{width} x {height}") print("-" * 60) if __name__ == "__main__": show_pdf_info("file1.pdf") show_pdf_info("file2.pdf")

4.3 运行与输出

在项目目录下执行：

python read_pdf_info.py

可能的输出效果如下：

文件：file1.pdf 页数：3 标题：产品报价单 作者：Administrator 创建时间：2024-01-15 10:24:00 第一页尺寸：595.0 x 842.0 ------------------------------------------------------------ 文件：file2.pdf 页数：1 标题：报销申请表 作者：None 创建时间：None 第一页尺寸：595.0 x 842.0 ------------------------------------------------------------

4.4 代码关键点解释

上面的代码虽然短，但有三个关键点值得展开。

reader.metadata返回的是一组文档属性，不同软件导出的 PDF 携带的元数据不一样。比如 Word 导出的 PDF 可能有标题和作者，而某些网页打印生成的 PDF 可能没有这些信息。因此打印时要用if meta做判断，避免属性为 None 时程序报错。

len(reader.pages)用于获取总页数。pypdf 会把 PDF 的页面对象全部加载到 pages 列表中，所以后期想按页拆分或提取，也都会通过这个 pages 列表操作。

reader.pages[0]是第一个页面对象，类型为 PageObject。mediabox表示页面的媒体框，也就是整页在 PDF 坐标系中的范围。对于 A4 纸，常见尺寸是 595 磅 × 842 磅，这里使用的单位是“磅”而不是“厘米”。如果在办公场景需要把 PDF 页面尺寸和实际纸张对应，要注意单位换算。

在实际办公中，这个脚本的用途不仅是查看单个文件。可以配合os.listdir()遍历某个目录下所有 PDF，再把信息输出到 Excel，形成一份“PDF 档案清单”。这一步先理解单个文件处理，后面再扩展到批量会更稳。

5. 实战二：合并与拆分 PDF

5.1 合并场景

在办公场景里，经常需要把多个 PDF 合并成一个文件。比如：从不同部门收集了若干合同附件，需要汇总成一份完整档案；或者扫描了多页文件，每一页保存成了单独 PDF，最后要合并成一个文档。

使用 pypdf 的 PdfWriter 可以很轻松完成合并操作。

5.2 编写合并脚本

创建merge_pdfs.py，代码如下：

# 文件路径：pdf_auto/merge_pdfs.py from pypdf import PdfWriter def merge_pdf_list(pdf_list, output_path): writer = PdfWriter() for pdf_file in pdf_list: # append 方法会把整个 PDF 追加到输出文件末尾 writer.append(pdf_file) with open(output_path, "wb") as out_file: writer.write(out_file) print(f"合并完成，共生成 {len(pdf_list)} 个 PDF 的合并文件：{output_path}") if __name__ == "__main__": merge_pdf_list(["file1.pdf", "file2.pdf"], "merged.pdf")

5.3 按页拆分脚本

创建split_pdfs.py，把一个 PDF 中指定的页面拆出来，保存成新的 PDF 文件。

# 文件路径：pdf_auto/split_pdfs.py from pypdf import PdfReader, PdfWriter def split_pdf_by_pages(pdf_path, page_numbers, output_path): """ 从 pdf_path 中抽取指定页码组成新 PDF。 page_numbers 使用从 1 开始的编号，例如 [1, 3, 5] """ reader = PdfReader(pdf_path) writer = PdfWriter() for page_num in page_numbers: # 用户输入的页码减 1，才是 pages 列表的索引 page = reader.pages[page_num - 1] writer.add_page(page) with open(output_path, "wb") as out_file: writer.write(out_file) print(f"已抽取 {len(page_numbers)} 页，生成：{output_path}") if __name__ == "__main__": # 抽取 file1.pdf 的第 1 页和第 3 页 split_pdf_by_pages("file1.pdf", [1, 3], "file1_part.pdf")

5.4 运行与边界情况说明

执行命令：

python merge_pdfs.py python split_pdfs.py

执行后，项目目录下会生成merged.pdf和file1_part.pdf。

这里有一个很容易踩的坑：页码从 1 开始还是从 0 开始？用户看到的 PDF 页码习惯从 1 开始，而 Python 列表索引从 0 开始。上面代码把参数定义为从 1 开始，内部再page_num - 1转换，更符合办公程序的使用习惯。如果写成从 0 开始，用户传页码时很容易出错。

另外，merge 场景需要关注失败回滚。如果中途某个文件损坏，脚本可能抛异常。生产环境建议先对文件做可读性校验，比如用 try-except 捕获 PdfReader 异常，或者把已经写入的临时文件放到临时目录，等所有文件处理成功后再覆盖最终文件。这样可以避免输出一个半成品 PDF。

6. 实战三：提取 PDF 文本与表格

6.1 提取纯文本

从 PDF 中复制文字是办公常事，但遇到多个 PDF 需要批量提取时，用脚本更高效。pdfplumber 的 extract_text 方法可以提取整页文字。

创建extract_text.py：

# 文件路径：pdf_auto/extract_text.py import pdfplumber def extract_all_text(pdf_path): with pdfplumber.open(pdf_path) as pdf: total_text = [] for page in pdf.pages: text = page.extract_text() total_text.append(text) return "\n".join(filter(None, total_text)) if __name__ == "__main__": result = extract_all_text("file1.pdf") print(result)

说明：page.extract_text()返回该页文本；如果页面是扫描图片且没有 OCR，那 text 可能为 None，这时需要使用 OCR 工具识别。

6.2 提取表格

表格提取比纯文本更实用，也更有挑战。pdfplumber 是根据页面上的线条和文字位置判断表格结构的，因此要求表格必须有清晰边框或分隔线。

创建extract_tables.py：

# 文件路径：pdf_auto/extract_tables.py import pdfplumber def extract_tables_from_pdf(pdf_path, page_number): """ 提取指定页中的多个表格 """ with pdfplumber.open(pdf_path) as pdf: page = pdf.pages[page_number] tables = page.extract_tables() for idx, table in enumerate(tables, start=1): print(f"第 {page_number + 1} 页，第 {idx} 个表格：") for row in table: print(row) print("-" * 60) if __name__ == "__main__": # 0 表示第一页 extract_tables_from_pdf("file1.pdf", 0)

6.3 把表格输出到 Excel

办公自动化项目往往不满足于在控制台打印表格，而希望把多个 PDF 表格汇总到 Excel。下面利用 pandas 和 openpyxl 完成写入。

创建pdf_table_to_excel.py：

# 文件路径：pdf_auto/pdf_table_to_excel.py import pdfplumber import pandas as pd def pdf_table_to_excel(pdf_path, excel_path): all_rows = [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: tables = page.extract_tables() for table in tables: for row in table: # 单元格为 None 时填空字符串，避免写入 Excel 报错 cleaned_row = ["" if cell is None else cell for cell in row] all_rows.append(cleaned_row) if not all_rows: print("未提取到任何表格数据") return df = pd.DataFrame(all_rows) df.to_excel(excel_path, index=False, header=False) print(f"已导出 {len(all_rows)} 行数据到 {excel_path}") if __name__ == "__main__": pdf_table_to_excel("file1.pdf", "table_output.xlsx")

6.4 表格提取的常见坑

表格提取并不是“万能识别”。如果 PDF 中的表格是图片，或者通过扫描件生成，pdfplumber 看不到文字对象，这时需要先做 OCR。另外，如果表格是跨页显示的，不同页的列宽可能不一致，直接拼接会错位，需要指定提取边界并做后处理。

常见做法是先用page.find_tables()查看 pdfplumber 检测到的表格区域，再根据需求微调参数。例如：

tables = page.find_tables() for table in tables: print(table.bbox) # 输出 bbox 左上角和右下角坐标

这样能更清楚表格的识别范围，便于调试。

7. 实战四：PDF 转 Word 的思路

7.1 使用 pdf2docx 实现转换

“把 PDF 转成 Word”是很多办公人员的高频需求，但也是技术上容易踩坑的需求。PDF 本身保存的是固定版式，转 Word 本质上是重新分析页面布局并生成可编辑段落。目前比较流行的方案是 pdf2docx 库。

安装库：

pip install pdf2docx

转换脚本：

# 文件路径：pdf_auto/pdf_to_word.py from pdf2docx import Converter def pdf_to_word(pdf_path, docx_path): cv = Converter(pdf_path) cv.convert(docx_path) cv.close() print(f"转换完成：{docx_path}") if __name__ == "__main__": pdf_to_word("file1.pdf", "file1.docx")

7.2 pdf2docx 的适用边界

pdf2docx 转换的效果取决于源文件质量。如果 PDF 本身是从 Word 导出的纯文字文档，转换后版式相对理想；如果 PDF 是复杂宣传画册、艺术字体、多层图片背景，转换结果可能会乱。扫描件转 Word 则需要先用 OCR 识别，再按识别结果重新排版。

因此，在办公自动化流程中，建议先明确需求：是真的需要“可编辑 Word”，还是只要“文字可复制”。如果只需要复制文字，直接用 pdfplumber 提取文本再写入 Word 会更稳定。

7.3 备选方案：用 python-docx 生成结构化 Word

如果只是把从 PDF 中清洗好的数据写入 Word 模板，建议使用 python-docx。它比 pdf2docx 更容易控制最终样式。

# 文件路径：pdf_auto/write_docx.py from docx import Document def write_text_to_word(text_lines, output_path): doc = Document() for line in text_lines: doc.add_paragraph(line) doc.save(output_path) print(f"Word 文件已生成：{output_path}") if __name__ == "__main__": write_text_to_word(["第一行内容", "第二行内容"], "output.docx")

注意，使用前需要安装：

pip install python-docx

很多办公自动化的报表生成、通知生成、会议纪要归档，核心思路都是：先用 pdfplumber 把 PDF 的内容读取为结构化数据，再用 python-docx 生成带指定格式的新文档。这个方向比“格式还原”更实用，也更可靠。

8. 常见问题与排查思路

8.1 问题列表

在实际操作中，读者容易遇到以下错误或异常。

8.2 加密 PDF 的处理

办公中收到的 PDF 有时带有打开密码。此时，使用 pypdf 读取前需要先用密码解密：

from pypdf import PdfReader reader = PdfReader("encrypted.pdf") if reader.is_encrypted: reader.decrypt("your_password") print(reader.pages)

需要提醒的是，处理他人文件前要确保有合法授权。密码破解或绕过他人设置的访问控制可能涉及法律和安全问题，在自动化项目中不要盲目操作。

8.3 中文乱码问题

从 PDF 提取中文文本时，如果控制台出现乱码，通常不是提取失败，而是终端编码问题。Windows 命令行可以设置 UTF-8 编码，或在代码中把文本写入文件后查看。如果是 pdfplumber 无法提取中文，则考虑是字体编码映射问题，可以尝试 PyMuPDF 提取对比。

9. 最佳实践与工程建议

9.1 善于使用备份和只读模式

PDF 处理脚本在办公中常常需要覆盖或生成新文件。稳妥做法是先备份原始文件，避免处理中途损坏。比如合并前把多个源 PDF 放到“待合并”目录，输出到“合并结果”目录，而不是在原目录上直接覆盖。这样即使脚本出现问题，也不会丢失原始资料。

9.2 日志与异常处理

处理一个文件可能很简单，但处理几百个文件时，某个单独文件报错会导致整个流程中断。建议写一个统一的函数，对每个文件做独立 try-except，把失败信息记录到日志或结果列表中，而不是直接让程序崩溃。

import traceback result_log = [] def safe_process_pdf(pdf_path): try: # 业务处理代码 pass except Exception: result_log.append({ "path": pdf_path, "error": traceback.format_exc() })

这样可以在循环结束后统一查看哪些文件有问题，再针对异常文件检查。

9.3 批量文件遍历技巧

如果要处理一个目录下所有 PDF，常用的遍历方式是：

from pathlib import Path pdf_dir = Path("./pdfs") for pdf_file in pdf_dir.glob("*.pdf"): print(pdf_file)

使用 Path 对象能避免 Windows 和 Linux 路径分隔符不一致的问题。glob 模式可根据文件名前缀精确匹配，比如finance_*.pdf。

9.4 提取结果尽量保留元数据

从 PDF 提取文本或表格时，建议在输出结果中保留来源文件名、页码、表格序号。这样在 Excel 汇总多份文件时，可以追溯每行数据来自哪个 PDF 的哪一页，方便后续核对。这一点很容易被忽略，但在正式办公交付中非常重要。

9.5 不要过度追求一步到位

初学办公自动化时，容易想写一个大脚本完成所有需求。更好的方式是先拆成小模块：PDF 读取模块、表格清洗模块、Excel 输出模块、日志模块。后续即使更换具体库，也能快速替换，不至于重写全部逻辑。PDF 相关库的迭代不算慢，模块化能降低维护成本。

10. 后续学习与实践建议

本篇文章完成了 PDF 办公自动化的“了解”阶段，覆盖了基础概念、库选型和 4 个实战脚本，算是入门 Python PDF 处理的完整闭环。

如果你在实践中已经顺利完成上面例子，下一步可以围绕以下方向继续练习：

• 用 schedule 库定时执行 PDF 归档脚本，把脚本升级为守护式工具。
• 将 pypdf、pdfplumber、pandas 组合，把批量 PDF 报表的页面提取成标准化 Excel。
• 把 pdf2docx、python-docx 结合，制作“PDF 信息抽取 → 术语清洗 → Word 报告生成”的流水线。
• 遇到扫描版 PDF 时，引入 OCR 流程，实现扫描文档文字识别。
• 将多个脚本打包成简单的 Web 工具或带界面的桌面小软件，方便不会 Python 的同事使用。

办公自动化的价值不在代码本身，而在于把重复劳动变成稳定可靠的自动化流程。只要在真实项目中把一个小环节打通，接下来就会越用越顺手。