目录

前言

一、环境准备与基础操作

1. 安装必要库

2. 读取PDF基本信息

二、PDF文件处理

1. PDF拆分与合并

2. PDF加密与解密

三、PDF内容提取

1. 提取文本内容

2. 提取表格数据

3. 提取图片

四、PDF与Word互转

1. PDF转Word

2. Word转PDF

五、PDF批量处理

1. 批量重命名PDF文件

2. 批量添加水印

六、综合案例：自动化PDF报告生成

七、实践建议

1. 文件管理

2.性能优化

3.安全考虑

八、下期预告

---

前言

PDF文档因其跨平台、格式固定的特性，在办公场景中广泛应用。然而，PDF的处理往往比普通文档更加复杂。本篇将深入讲解如何使用Python实现PDF文档的自动化处理。

一、环境准备与基础操作

1. 安装必要库

pip install PyPDF2 pdfminer.six pdf2image

2. 读取PDF基本信息

import PyPDF2

def get_pdf_info(pdf_path):
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfFileReader(file)
        info = {
            '页数': reader.getNumPages(),
            '作者': reader.getDocumentInfo().author,
            '标题': reader.getDocumentInfo().title,
            '创建时间': reader.getDocumentInfo().creationDate
        }
        return info

# 使用示例
pdf_info = get_pdf_info('示例文档.pdf')
print(pdf_info)

二、PDF文件处理

1. PDF拆分与合并

def split_pdf(pdf_path, output_folder):
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfFileReader(file)
        for i in range(reader.getNumPages()):
            writer = PyPDF2.PdfFileWriter()
            writer.addPage(reader.getPage(i))
            output_path = f"{output_folder}/page_{i+1}.pdf"
            with open(output_path, 'wb') as output_file:
                writer.write(output_file)

def merge_pdfs(pdf_list, output_path):
    merger = PyPDF2.PdfFileMerger()
    for pdf in pdf_list:
        merger.append(pdf)
    merger.write(output_path)
    merger.close()

# 使用示例
split_pdf('示例文档.pdf', 'output_pages')
merge_pdfs(['file1.pdf', 'file2.pdf'], '合并文档.pdf')

2. PDF加密与解密

def encrypt_pdf(input_path, output_path, password):
    with open(input_path, 'rb') as file:
        reader = PyPDF2.PdfFileReader(file)
        writer = PyPDF2.PdfFileWriter()
        
        for i in range(reader.getNumPages()):
            writer.addPage(reader.getPage(i))
        
        writer.encrypt(password)
        with open(output_path, 'wb') as output_file:
            writer.write(output_file)

def decrypt_pdf(input_path, output_path, password):
    with open(input_path, 'rb') as file:
        reader = PyPDF2.PdfFileReader(file)
        if reader.isEncrypted:
            reader.decrypt(password)
        
        writer = PyPDF2.PdfFileWriter()
        for i in range(reader.getNumPages()):
            writer.addPage(reader.getPage(i))
        
        with open(output_path, 'wb') as output_file:
            writer.write(output_file)

# 使用示例
encrypt_pdf('示例文档.pdf', '加密文档.pdf', 'mypassword')
decrypt_pdf('加密文档.pdf', '解密文档.pdf', 'mypassword')

三、PDF内容提取

1. 提取文本内容

from pdfminer.high_level import extract_text

def extract_pdf_text(pdf_path):
    text = extract_text(pdf_path)
    return text

# 使用示例
text = extract_pdf_text('示例文档.pdf')
print(text[:500])  # 打印前500个字符

2. 提取表格数据

import pdfplumber

def extract_tables(pdf_path):
    tables = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            tables.extend(page.extract_tables())
    return tables

# 使用示例
tables = extract_tables('示例文档.pdf')
for i, table in enumerate(tables):
    print(f"表格{i+1}:")
    for row in table:
        print(row)

3. 提取图片

from pdf2image import convert_from_path

def extract_images(pdf_path, output_folder):
    images = convert_from_path(pdf_path)
    for i, image in enumerate(images):
        image.save(f"{output_folder}/page_{i+1}.png", 'PNG')

# 使用示例
extract_images('示例文档.pdf', 'output_images')

四、PDF与Word互转

1. PDF转Word

from pdf2docx import Converter

def pdf_to_word(pdf_path, docx_path):
    cv = Converter(pdf_path)
    cv.convert(docx_path, start=0, end=None)
    cv.close()

# 使用示例
pdf_to_word('示例文档.pdf', '转换文档.docx')

2. Word转PDF

from docx2pdf import convert

def word_to_pdf(docx_path, pdf_path):
    convert(docx_path, pdf_path)

# 使用示例
word_to_pdf('示例文档.docx', '转换文档.pdf')

五、PDF批量处理

1. 批量重命名PDF文件

import os

def batch_rename_pdf(folder_path, prefix):
    for i, filename in enumerate(os.listdir(folder_path)):
        if filename.endswith('.pdf'):
            new_name = f"{prefix}_{i+1}.pdf"
            os.rename(
                os.path.join(folder_path, filename),
                os.path.join(folder_path, new_name)
            )

# 使用示例
batch_rename_pdf('pdf_folder', '合同')

2. 批量添加水印

from PyPDF2 import PdfFileReader, PdfFileWriter

def add_watermark(input_pdf, output_pdf, watermark_pdf):
    watermark = PdfFileReader(watermark_pdf)
    watermark_page = watermark.getPage(0)
    
    reader = PdfFileReader(input_pdf)
    writer = PdfFileWriter()
    
    for i in range(reader.getNumPages()):
        page = reader.getPage(i)
        page.mergePage(watermark_page)
        writer.addPage(page)
    
    with open(output_pdf, 'wb') as output_file:
        writer.write(output_file)

def batch_add_watermark(folder_path, watermark_pdf):
    for filename in os.listdir(folder_path):
        if filename.endswith('.pdf'):
            input_path = os.path.join(folder_path, filename)
            output_path = os.path.join(folder_path, f"watermarked_{filename}")
            add_watermark(input_path, output_path, watermark_pdf)

# 使用示例
batch_add_watermark('pdf_folder', '水印模板.pdf')

六、综合案例：自动化PDF报告生成

def generate_pdf_report(data, template_path, output_path):
    # 创建Word文档
    doc = Document(template_path)
    
    # 填充数据
    replacements = {
        '{标题}': data['标题'],
        '{日期}': data['日期'],
        '{作者}': data['作者'],
        '{内容}': data['内容']
    }
    
    for para in doc.paragraphs:
        for run in para.runs:
            for old_text, new_text in replacements.items():
                if old_text in run.text:
                    run.text = run.text.replace(old_text, new_text)
    
    # 保存为临时Word文件
    temp_docx = 'temp_report.docx'
    doc.save(temp_docx)
    
    # 转换为PDF
    word_to_pdf(temp_docx, output_path)
    
    # 清理临时文件
    os.remove(temp_docx)

# 使用示例
report_data = {
    '标题': '2023年第三季度报告',
    '日期': '2023-09-30',
    '作者': '数据分析部',
    '内容': '本季度销售额同比增长15%，主要得益于...'
}

generate_pdf_report(report_data, '报告模板.docx', '季度报告.pdf')

七、实践建议

1. 文件管理

• 建立标准文件命名规范

• 使用版本控制管理重要文档

• 定期备份处理结果

2.性能优化

• 批量处理时使用多线程

• 缓存常用模板和水印文件

• 优化PDF处理顺序减少IO操作

3.安全考虑

• 处理敏感PDF时使用加密

• 验证输入文件格式

• 设置合理的文件权限

八、下期预告

在下一篇文章中，我们将深入讲解邮件自动化实战，包括：

• 使用smtplib发送邮件

• 自动添加附件

• 定时发送报告

• 邮件内容模板化

记住：

• 从简单的PDF处理任务开始

• 逐步建立自己的PDF处理工具库

• 将常用功能封装成可复用模块