PDF 文档处理

你在处理 PDF 时常见的问题

工程场景里，PDF 往往不是「打开看一眼」就结束：要从合同或报告里抽全文做检索、从财报里抽表格进 Excel 或数据库、把多份扫描件合并再 OCR，或按模板批量生成带页码与水印的 PDF。版式复杂的精修排版仍要人眼确认，但「读 / 写 / 整理」这类可重复步骤，更适合用命令行与 Python 库做成稳定流水线。

技能如何组织工作流

本技能把任务按类型拆开，并约定结构化输出 PdfResult（任务类型、源文件、文本/表格、产物路径），方便下游接 Word 转换、多模态理解或入库。

• 抽取：pdftotext（可选 -layout、页范围）或 pypdf 逐页 extract_text()；表格用 pdfplumber 的 extract_tables()，多表可经 pandas 导出 Excel。
• 结构操作：qpdf 合并（--empty --pages）、按页拆分、旋转；也可用 pypdf 逐页 add_page 写单页文件。
• 生成：reportlab 的 Canvas（简单画布）或 Platypus（多段、多页、样式）。
• 扫描件：pdf2image 转图 + pytesseract 逐页识别。
• 水印与加密：pypdf 叠水印页；writer.encrypt(user, owner) 设密码。
• 表单与图片：按字段读写字段值；pdfimages -j 提取内嵌图。

输入一般是 PDF 路径、任务类型和参数（页码、密码、字段值）；输出除自然语言说明所用工具与注意点外，会带上 PdfResult JSON。

适用边界

适合文本/表格抽取、合并拆分旋转、表单填写、规模化生成与批处理。不适用需要保留复杂版式、像素级精修的排版设计——最终视觉效果应由你确认。OCR 质量取决于扫描清晰度与语言包配置，表格识别对有线框、规则行列更稳。