PDF 处理技能
快速开始
安装依赖
cd D:\PDF.skill\pdf-processor
pip install -r requirements.txt
核心功能
| 功能 | 命令 | 说明 |
|---|---|---|
| 提取文本 | python scripts/extract_text.py <pdf_path> | 提取 PDF 文本内容 |
| 提取图片 | python scripts/extract_images.py <pdf_path> <output_dir> | 提取 PDF 中的图片 |
| 提取表格 | python scripts/extract_tables.py <pdf_path> | 提取 PDF 中的表格 |
| PDF 转 Word | python scripts/pdf_to_word.py <pdf_path> <output_path> | 转换为可编辑 Word |
| PDF 转 Excel | python scripts/pdf_to_excel.py <pdf_path> <output_path> | 提取表格到 Excel |
| 合并 PDF | python scripts/merge_pdfs.py <output_path> <file1> <file2> ... | 合并多个 PDF |
| 拆分 PDF | python scripts/split_pdf.py <pdf_path> <output_dir> | 按页拆分 PDF |
| 添加水印 | python scripts/add_watermark.py <pdf_path> <output_path> <text> | 添加文字水印 |
| OCR 识别 | python scripts/ocr_pdf.py <pdf_path> <output_path> | OCR 识别扫描件 |
| 加密 PDF | python scripts/encrypt_pdf.py <input> <output> <password> | AES-256 加密 |
| 解密 PDF | python scripts/decrypt_pdf.py <input> <output> <password> | 解密 PDF |
| 压缩 PDF | python scripts/compress_pdf.py <input> <output> | 压缩 PDF 文件 |
| 批量处理 | python scripts/batch_process.py <input_dir> <output_dir> --operation <op> | 批量处理 |
功能详情
extract_text.py
提取 PDF 文本内容，支持：
- 纯文本提取
- 保留段落结构
- 提取元数据（标题、作者、创建时间）
python scripts/extract_text.py input.pdf -o output.txt --metadata
extract_tables.py
提取 PDF 表格数据：
- 自动检测表格边框
- 支持合并单元格
- 输出为 Excel 文件
pdf_to_word.py
PDF 转 Word 转换：
- 保留原始格式
- 提取图片到 Word
- 表格转换为 Word 表格
pdf_to_excel.py
PDF 转 Excel：
- 提取表格到不同 Sheet
- 保留文本内容
add_watermark.py
水印功能：
- 支持文字水印
- 可设置透明度、旋转角度、字体大小
- 支持批量添加
ocr_pdf.py
OCR 识别（需要安装 Tesseract）：
- 使用 Tesseract 进行中文识别
- 支持多种语言混合识别
- 保留原有 PDF 格式
encrypt_pdf.py / decrypt_pdf.py
加密解密：
- AES-256 加密
- 支持用户密码和所有者密码
compress_pdf.py
压缩功能：
- 清理未使用对象
- 压缩图片
- 5 个压缩级别可选
batch_process.py
批量处理：
- 支持所有单文件操作
- 自动处理目录中所有 PDF
- 生成处理报告
使用示例
从 PDF 提取文本
用户: 帮我提取这个合同的文本内容
AI: 使用 extract_text.py 脚本提取文本
PDF 转 Word
用户: 把这个 PDF 转成 Word 文档
AI: 使用 pdf_to_word.py 进行转换
批量加水印
用户: 给这个文件夹里所有 PDF 添加"内部资料"水印
AI: 使用 batch_process.py 批量处理
加密 PDF
用户: 这个文件需要加密
AI: 使用 encrypt_pdf.py 进行 AES-256 加密
依赖安装
基础依赖
pip install pymupdf pdfplumber python-docx openpyxl pillow
OCR 支持（可选）
# 安装 Tesseract OCR
# Windows: https://github.com/UB-Mannheim/tesseract/wiki
# macOS: brew install tesseract
# Linux: sudo apt install tesseract-ocr
pip install pytesseract
注意事项
- 加密 PDF 需要提供密码
- OCR 需要安装 Tesseract 引擎
- 大文件处理可能需要较长时间
- 转换效果取决于 PDF 原始质量