PDF专业处理工具

技能文档

---
name: pdf-processing-pro
title: PDF专业处理工具
category: 办公效率
description: "生产级PDF处理工具包，支持表单填充、表格提取、OCR识别、验证和批量操作。当用户需要处理复杂PDF工作流、大批量PDF文件或需要健壮的错误处理与验证时触发。触发词：PDF处理、PDF表单、表格提取、OCR识别、PDF合并拆分、PDF验证。"
---

# PDF专业处理工具

生产级PDF处理工具包，提供预构建脚本、完善的错误处理和复杂工作流支持。

## 技能工作流

### 步骤1：文本提取

```python
import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    text = pdf.pages[0].extract_text()
    print(text)
```

或使用脚本：
```bash
python scripts/extract_text.py input.pdf --output text.txt --preserve-formatting
```

### 步骤2：表单处理

**分析表单结构：**
```bash
python scripts/analyze_form.py input.pdf --output fields.json
```

**验证表单数据：**
```bash
python scripts/validate_form.py data.json schema.json
```

**填充表单：**
```bash
python scripts/fill_form.py input.pdf data.json output.pdf --validate
```

### 步骤3：表格提取

```bash
python scripts/extract_tables.py report.pdf --output tables.csv --format csv
```

支持多页表格、合并单元格、嵌套表格、自定义表格检测，可导出为CSV/Excel。

### 步骤4：PDF合并与拆分

**合并多个PDF：**
```bash
python scripts/merge_pdfs.py file1.pdf file2.pdf file3.pdf --output merged.pdf
```

**拆分PDF为单页：**
```bash
python scripts/split_pdf.py input.pdf --output-dir pages/
```

### 步骤5：验证与质量控制

```bash
python scripts/validate_pdf.py completed.pdf
```

## 完整工作流示例

### 工作流1：处理表单提交

```bash
# 1. 分析表单结构
python scripts/analyze_form.py template.pdf --output schema.json

# 2. 验证提交数据
python scripts/validate_form.py submission.json schema.json

# 3. 填充表单
python scripts/fill_form.py template.pdf submission.json completed.pdf

# 4. 验证输出
python scripts/validate_pdf.py completed.pdf
```

### 工作流2：从报告提取数据

```bash
# 1. 提取表格
python scripts/extract_tables.py monthly_report.pdf --output data.csv

# 2. 提取文本
python scripts/extract_text.py monthly_report.pdf --output report.txt
```

### 工作流3：批量处理

```python
import glob
from pathlib import Path
import subprocess

for pdf_file in glob.glob("invoices/*.pdf"):
    output_file = Path("processed") / Path(pdf_file).name
    result = subprocess.run([
        "python", "scripts/extract_text.py",
        pdf_file, "--output", str(output_file)
    ], capture_output=True)

    if result.returncode == 0:
        print(f"已处理: {pdf_file}")
    else:
        print(f"处理失败: {pdf_file} - {result.stderr}")
```

## 脚本清单

| 脚本 | 功能 |
|------|------|
| `analyze_form.py` | 提取表单字段信息 |
| `fill_form.py` | 填充PDF表单 |
| `validate_form.py` | 验证表单数据 |
| `extract_tables.py` | 提取表格到CSV/Excel |
| `extract_text.py` | 提取文本并保留格式 |
| `merge_pdfs.py` | 合并多个PDF |
| `split_pdf.py` | 拆分PDF为单页 |
| `validate_pdf.py` | 验证PDF完整性 |

## 错误处理

所有脚本遵循统一的退出码规范：
- 0 - 成功
- 1 - 文件未找到
- 2 - 输入无效
- 3 - 处理错误
- 4 - 验证错误

## 依赖安装

```bash
pip install pdfplumber pypdf pillow pytesseract pandas
```

OCR可选（需安装Tesseract）：
```bash
# macOS: brew install tesseract
# Ubuntu: apt-get install tesseract-ocr
```

## 最佳实践

1. 处理前始终验证输入
2. 自定义脚本使用try-except
3. 记录所有操作以便调试
4. 生产使用前先用样本PDF测试
5. 长时间操作设置超时
6. 自动化中检查退出码
7. 修改前备份原始文件

使用说明

# PDF专业处理工具

生产级PDF处理工具包，支持表单填充、表格提取、OCR识别、验证和批量操作。

## 使用示例

"提取这个PDF中的表格"、"批量合并这些PDF文件"、"分析这个PDF表单的字段结构"

## 说明

本技能提供8个预构建脚本，覆盖PDF处理全流程：
- 文本提取（保留格式）
- 表单分析与填充（含验证）
- 表格检测与导出（CSV/Excel）
- PDF合并与拆分
- OCR扫描文档处理
- 完整性验证与批量处理

如何安装此技能？

访问技能市场，点击「安装」按钮，按提示将技能包放入 AI 编程助手的 skills 目录即可。