Python PDF处理进阶：内容提取与合并实战

Python处理PDF远不止简单读取文本，而是需要根据PDF类型（纯文本、扫描件或结构化文档）精准选择工具链——pymupdf用于高保真提取、pytesseract+pdf2image应对扫描件OCR、pdfplumber专攻表格与布局解析；合并时更需兼顾页面尺寸统一、书签重建与页码重绘，而非机械拼接；结合真实场景如合同信息批量提取与智能归档，才能释放自动化价值——而真正决定成败的，往往是解密、字体嵌入、路径配置等易被忽视的细节。

Python 处理 PDF 不只是“读出来”那么简单。真正实用的场景，比如从几十份合同里批量提取签约方和金额、把扫描件+表格报告+签字页自动合成一份归档文件——这些需要结合内容结构识别、文本清洗、页面逻辑判断和多源合并策略。关键不在库多厉害，而在你是否清楚每一步在解决什么问题。

精准提取：别再依赖 raw_text

PyPDF2 或 pypdf 的 extract_text() 经常漏字、乱序、混入页眉页脚，尤其对扫描型 PDF（本质是图片）完全无效。真实项目中必须分情况处理：

• 纯文本 PDF：优先用 pymupdf（fitz），它保留原始坐标和字体信息，支持按区块提取，能过滤掉页码、水印等干扰行；
• 扫描 PDF：必须走 OCR 路线，推荐 pytesseract + pdf2image，先转为高清图再识别，注意设置 DPI ≥ 300，否则小字号识别率骤降；
• 带表单或结构化布局的 PDF：用 pdfplumber，它能解析出表格线框、单元格边界，extract_table() 可直接返回二维列表，比正则硬扒可靠得多。

智能合并：不是简单拼接 pages

直接用 pypdf 的 PdfWriter.append() 容易踩坑：页码错乱、书签丢失、字体嵌入冲突、甚至部分页面变空白。合并前得做三件事：

• 统一页面尺寸与方向：用 fitz 逐页检查 mediabox，自动旋转横向页或缩放非 A4 页面，避免打印时被裁切；
• 继承/重建书签结构：原 PDF 的 outline（书签树）需手动读取并 add_outline_item() 到新文档，否则合并后只剩平铺页面；
• 处理页眉页脚与页码：若源文件含动态页码（如“第 3 页 共 12 页”），合并后需重算总页数并用 reportlab 或 fitz 在页脚重绘。

实战组合技：合同信息提取 + 自动归档

举个典型例子：从 50 份采购合同 PDF 中提取甲方、乙方、金额、签订日期，并生成汇总 Excel + 合并版归档 PDF：

• 用 pdfplumber 打开每份合同，定位到“甲方”文字所在页，按其右侧 100px 区域提取文本，再用正则匹配中文名；
• 金额通常带“¥”或“人民币”，配合数字+单位（万元/元）模式提取，用 ast.literal_eval 防止 eval 注入风险；
• 合并时用 fitz 创建新文档，每份合同插入前加一页封面（含文件名+提取的关键字段），最后统一加目录页（用提取的甲方+日期生成标题）。

避坑提醒：这些细节决定成败

很多失败不是代码写错，而是忽略了 PDF 本身的“不标准”：

• PDF/A 或加密 PDF 无法直接读取，需先用 qpdf 解密或用 fitz 的 need_pass 来检测密码；
• 中文字体缺失会导致提取乱码，fitz 加载时传入 fontname 参数指定系统中文字体路径；
• Windows 上 pytesseract 默认找不到 tesseract.exe，要显式设置 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~