pdf-processor — pdf-处理器

PDF 处理技能 快速开始 安装依赖 cd D:\PDF.技能\pdf-处理器 pip 安装 -r requirements.txt

核心功能 功能 命令 说明 提取文本 python scripts/提取_text.py 提取 PDF 文本内容 提取图片 python scripts/提取_images.py <输出_dir> 提取 PDF 中的图片 提取表格 python scripts/提取_tables.py 提取 PDF 中的表格 PDF 转 Word python scripts/pdf_to_word.py <输出_path> 转换为可编辑 Word PDF 转 Excel python scripts/pdf_to_excel.py <输出_path> 提取表格到 Excel 合并 PDF python scripts/merge_pdfs.py <输出_path> ... 合并多个 PDF 拆分 PDF python scripts/split_pdf.py <输出_dir> 按页拆分 PDF 添加水印 python scripts/添加_watermark.py <输出_path> 添加文字水印 OCR 识别 python scripts/ocr_pdf.py <输出_path> OCR 识别扫描件 加密 PDF python scripts/加密_pdf.py <输入> <输出> AES-256 加密 解密 PDF python scripts/解密_pdf.py <输入> <输出> 解密 PDF 压缩 PDF python scripts/压缩_pdf.py <输入> <输出> 压缩 PDF 文件 批量处理 python scripts/batch_process.py <输入_dir> <输出_dir> --operation 批量处理 功能详情 提取_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/提取_text.py 输入.pdf -o 输出.txt --metadata

提取_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 添加_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 加密_pdf.py / 解密_pdf.py

加密解密：

AES-256 加密 支持用户密码和所有者密码 压缩_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 提取_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 加密_pdf.py 进行 AES-256 加密

依赖安装 基础依赖 pip 安装 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 安装 tesseract # Linux: sudo apt 安装 tesseract-ocr

pip 安装 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