Python PDF 处理指南
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @zcwl/pdf-processor-cn-2。
技能介绍
要解决什么问题
工程里经常碰到「多份合同要合成一份」「从大报告里只拆某几页」「从版式复杂的 PDF 里抠表格进 Excel」「扫描件只有图没有字」这类事。纯手点 Acrobat 可以,但 reproducible 的脚本和命令行往往更靠谱,尤其是要在 CI 或 Agent 里重复跑的时候。
技能如何工作
本技能以 Markdown 指令 组织,按库和任务切块,而不是黑盒一键处理。
- pypdf:
PdfReader/PdfWriter做合并、按页拆分、读元数据、旋转页面。 - pdfplumber:
page.extract_text()保留版式感地取文;extract_tables()/ 高级表格提取应对网格报表。 - reportlab:用 Canvas 或 Platypus 从零生成 PDF;特别强调在 Paragraph 里用 ReportLab XML 上下标,不要用 Unicode 下标/上标字符(否则会黑块)。
- 命令行:
pdftotext(poppler)、qpdf合并分页、pdftk(环境有则用)。 - 常见组合任务:扫描 PDF 先转图再走 pytesseract OCR;加水印、抽图、密码保护在文档里有对应路径;填表见 FORMS.md,进阶与 pdf-lib 见 REFERENCE.md。
技能内附 Quick Reference 表,把「合并 / 拆页 / 抽文 / 抽表 / 生成 / 命令行合并 / OCR / 填表」映射到推荐工具与典型代码或命令,方便 Agent 按任务选型而不是乱猜库。
边界与注意点
- 格式:仅 PDF;超大文件可能慢或占满内存。
- 并发:设计为单次处理一个文件,不强调多文件并行。
- 加密 PDF:需正确密码;表格复杂时提取结果可能要人工校对。
- 能力类型:MD+EXEC,部分步骤需要 Agent 具备执行 Python 或 shell 的能力;OCR 质量取决于扫描件与 Tesseract。
使用场景
- 法务把三份签署版 PDF 按顺序合并成一份归档件,需在脚本里用 pypdf 可重复执行
- 从季度研报 PDF 中只导出第 12–18 页给内部分享,用 pypdf 按页拆分
- 财务从银行对账单 PDF 批量抽取表格字段,交给 pdfplumber 的 extract_tables 再进表格
- 扫描发票 PDF 无文本层,先转图像再用 pytesseract OCR 后整理成可检索文本
适合人员
- 经常要用 Python 维护合同/报告合并拆分脚本的法务或内控工程师
- 需要从固定版式 PDF 抽表进 Excel、且愿意校对复杂表头的数据分析师
- 负责把扫描件入库、要补文本层以便检索的档案或单据数字化同事
- 在 Cursor/Codex 等 Agent 里写一次性 PDF 小工具、需要库选型速查的后端开发