Python批量处理PDF表单与合并的实战指南

pip install pdfplumber PyPDF2

import pdfplumber

def inspect_form_fields(pdf_path):
    """查看 PDF 中的表单字段信息"""
    with pdfplumber.open(pdf_path) as pdf:
        for i, page in enumerate(pdf.pages):
            # 获取注释（包括表单字段）
            annotations = page.annots
            if annotations:
                print(f"第 {i+1} 页表单字段:")
                for ann in annotations:
                    print(f"  - {ann.get('name', '未命名')}: "
                          f"类型={ann.get('subtype', '')}")

from PyPDF2 import PdfReader, PdfWriter
import pandas as pd

def fill_pdf_form(template_path, output_path, data_dict):
    """
    填写 PDF 表单
    template_path: 模板 PDF
    output_path: 输出 PDF
    data_dict: 字段名→值的字典
    """
    reader = PdfReader(template_path)
    writer = PdfWriter()

    page = reader.pages[0]

    # 更新表单字段
    writer.add_page(page)

    # 设置表单字段值
    writer.update_page_form_field_values(
        writer.pages[0], data_dict
    )

    # 保存
    with open(output_path, "wb") as f:
        writer.write(f)

def batch_fill_forms(template_path, excel_path, output_dir):
    """根据 Excel 数据批量生成 PDF 合同"""
    import os
    os.makedirs(output_dir, exist_ok=True)

    df = pd.read_excel(excel_path)
    for _, row in df.iterrows():
        # 构建字段数据
        data = {
            "name": row["客户名称"],
            "amount": str(row["金额"]),
            "date": str(row["签订日期"]),
            "contract_no": row["合同编号"],
        }

        output = os.path.join(
            output_dir,
            f"合同_{row['客户名称']}.pdf"
        )
        fill_pdf_form(template_path, output, data)
        print(f"已生成: {output}")

def extract_form_data(pdf_path):
    """提取 PDF 表单中的填写数据"""
    reader = PdfReader(pdf_path)
    fields = reader.get_form_text_fields()

    print("表单字段提取结果:")
    for field_name, value in fields.items():
        print(f"  {field_name}: {value}")
    return fields

def batch_extract(pdf_dir, output_excel):
    """批量提取多个 PDF 表单到 Excel"""
    import os
    all_data = []

    for f in os.listdir(pdf_dir):
        if f.endswith(".pdf"):
            fields = extract_form_data(
                os.path.join(pdf_dir, f)
            )
            fields["来源文件"] = f
            all_data.append(fields)

    if all_data:
        df = pd.DataFrame(all_data)
        df.to_excel(output_excel, index=False)
        print(f"共提取 {len(all_data)} 份表单: {output_excel}")

def extract_table_from_scanned(pdf_path):
    """
    从扫描件或不可填写的 PDF 中提取表格
    适用于文字型 PDF 中的表格数据
    """
    import pdfplumber
    import pandas as pd

    with pdfplumber.open(pdf_path) as pdf:
        all_tables = []
        for i, page in enumerate(pdf.pages):
            tables = page.extract_tables()
            for table in tables:
                if table and len(table) > 1:
                    # 第一行为表头
                    df = pd.DataFrame(
                        table[1:],
                        columns=table[0]
                    )
                    all_tables.append(df)
                    print(f"第{i+1}页找到表格: {len(table)}行")

        if all_tables:
            result = pd.concat(
                all_tables, ignore_index=True
            )
            return result
    return None

def daily_pdf_pipeline():
    """每日 PDF 处理流水线"""
    print("开始 PDF 处理...")

    # 1. 提取表单数据
    form_data = extract_form_data("日报表.pdf")
    print(f"提取到 {len(form_data)} 个字段")

    # 2. 提取表格数据
    table_df = extract_table_from_scanned("明细.pdf")
    if table_df is not None:
        table_df.to_excel("提取数据.xlsx", index=False)
        print(f"导出 {len(table_df)} 行数据")

    # 3. 生成汇总报告
    # ...

    print("处理完成!")

1. PDF 表单需要是 AcroForm 格式，不是扫描件
2. 拍照/扫描件需要先 OCR 识别
3. 批量处理前先测试一个样本
4. 中文字体在 PDF 中需要嵌入，否则显示方框