PDF 处理技能#

快速开始#

安装依赖#

bash

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 Wordpython scripts/pdf_to_word.py <pdf_path> <output_path>转换为可编辑 WordPDF 转 Excelpython scripts/pdf_to_excel.py <pdf_path> <output_path>提取表格到 Excel合并 PDFpython scripts/merge_pdfs.py <output_path> <file1> <file2> ...合并多个 PDF拆分 PDFpython 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 PDFpython scripts/encrypt_pdf.py <input> <output> <password>AES-256 加密解密 PDFpython scripts/decrypt_pdf.py <input> <output> <password>解密 PDF压缩 PDFpython 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）

bash

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#

text

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#

text

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#

text

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#

text

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#

bash

pip install pymupdf pdfplumber python-docx openpyxl pillow

OCR 支持（可选）#

bash

# 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