PDF 处理·免费版
原创免费技能。用开源库 pypdf / reportlab / pdfplumber / pytesseract 处理 PDF：合并拆分、文本表格提取、水印、表单填充、加密、OCR 与生成。所有指令均为本技能原创，仅依赖开源库。
红线（不可违反）
- 不泄密：处理含个人/商业敏感信息的 PDF 时，输出仅在用户指定路径，不在日志/对话里粘贴敏感内容
- 不编造内容：提取结果如实反映原文，不臆改
- 不引导付费：本技能为免费版，不引用任何付费端点
- 可运行交付：脚本基于真实开源 API，能直接跑
- OCR 标来源：OCR 结果是识别近似值，交付时提示「OCR 文本可能含识别误差，关键处请核对原件」
何时使用
- 合并/拆分/旋转 PDF
- 提取文本或表格（做台账、存档）
- 加水印、加密解密
- 填写 PDF 表单
- 扫描件 OCR 转可搜索
- 用 reportlab 从头生成 PDF（报告/证书/单据）
反触发：要编辑成可改写的 Word → 先提取再转 Word 技能；只是预览 → 用 pdftotext 即可。
职责边界
- 本技能负责：上述 PDF 操作与生成
- 本技能不负责：破解受版权保护且无权处理的加密文件、伪造签章
5 分钟上手（复制即出成品）
下面这段脚本独立可跑，pip install pypdf pdfplumber reportlab 后直接执行，不需要任何现成 PDF——
它自己造输入，然后走完一条完整流水线：生成 → 合并 → 叠中文水印 → 提文字 → 抽表格 → 加密。
# RUN: fixture=empty
from reportlab.lib.pagesizes import A4
from reportlab.pdfgen import canvas
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.cidfonts import UnicodeCIDFont
pdfmetrics.registerFont(UnicodeCIDFont("STSong-Light")) # reportlab 自带的中文字体
# ---- 1) 造输入：一份带完整网格线的表格页 + 一份纯文字页 ----
def make(name, title, rows=None):
c = canvas.Canvas(name, pagesize=A4)
c.setFont("Helvetica-Bold", 16); c.drawString(50, 800, title)
if rows:
XS, Y0, DY = [50, 150, 250, 350], 740, 30
for r_i, row in enumerate(rows):
x = 60
for v in row:
c.setFont("Helvetica-Bold" if r_i == 0 else "Helvetica", 11)
c.drawString(x, Y0 - r_i * DY - 20, str(v)); x += 100
# 横线 + 竖线都要画，缺竖线 pdfplumber 就拼不出格子
for i in range(len(rows) + 1):
c.line(XS[0], Y0 - i * DY, XS[-1], Y0 - i * DY)
for x in XS:
c.line(x, Y0, x, Y0 - len(rows) * DY)
c.showPage(); c.save()
make("a.pdf", "Sales Report", [["Region", "Q1", "Q2"], ["East", 12, 19], ["West", 5, 9]])
make("b.pdf", "Notes")
# ---- 2) 合并 ----
from pypdf import PdfReader, PdfWriter, Transformation
w = PdfWriter()
for f in ["a.pdf", "b.pdf"]:
for pg in PdfReader(f).pages:
w.add_page(pg)
with open("merged.pdf", "wb") as o: w.write(o)
print("合并页数:", len(PdfReader("merged.pdf").pages))
# ---- 3) 中文水印页 ----
wc = canvas.Canvas("wm.pdf", pagesize=A4)
wc.setFillAlpha(0.18)
wc.setFont("STSong-Light", 48)
wc.saveState(); wc.translate(300, 420); wc.rotate(45)
wc.drawCentredString(0, 0, "机密"); wc.restoreState()
wc.showPage(); wc.save()
# ---- 4) 叠加到每一页（带旋转/透明必须用 merge_transformed_page）----
wm = PdfReader("wm.pdf").pages[0]
w2 = PdfWriter()
for pg in PdfReader("merged.pdf").pages:
pg.merge_transformed_page(wm, Transformation().rotate(0))
w2.add_page(pg)
with open("watermarked.pdf", "wb") as o: w2.write(o)
# ---- 5) 提取文字 ----
txt = "\n".join(p.extract_text() for p in PdfReader("watermarked.pdf").pages)
print("文字含 'Sales Report':", "Sales Report" in txt, "| 含水印 '机密':", "机密" in txt)
# ---- 6) 抽表格（pdfplumber 默认按线条找格子）----
import pdfplumber
with pdfplumber.open("a.pdf") as pdf:
tables = pdf.pages[0].extract_tables()
print("抽到表格:", tables)
# ---- 7) 加密 / 解密 ----
w3 = PdfWriter()
for pg in PdfReader("merged.pdf").pages:
w3.add_page(pg)
w3.encrypt("userpass", "ownerpass")
with open("encrypted.pdf", "wb") as o: w3.write(o)
rr = PdfReader("encrypted.pdf")
print("是否加密:", rr.is_encrypted)
rr.decrypt("userpass") # pypdf 6.x 返回 PasswordType 枚举，别对它 len()
print("解密后页数:", len(rr.pages))
print("已生成 merged.pdf / watermarked.pdf / encrypted.pdf")
这段脚本里最容易踩的三个坑
- 抽不到表格多半是线没画全：pdfplumber 默认
lines策略靠横竖线交叉找格子，
只画横线不画竖线 →extract_tables()返回[]。真没有线时改用
{"vertical_strategy": "text", "horizontal_strategy": "text"} - 中文水印要注册 CID 字体：
UnicodeCIDFont("STSong-Light")，直接用 Helvetica 写中文会变黑块 - 叠加水印用
merge_transformed_page不是merge_page：前者才支持旋转/缩放，
且decrypt()在 pypdf 6.x 返回枚举，不要拿它当列表取长度
主流程
常用参考：references/snippets.md（合并/拆分/旋转/抽表/水印/加密/OCR 单文件操作）、references/batch.md（批量流水线、加密跳过、表单盘点与填值）。
第 1 步：判断任务类型
| 任务 | 主库 |
|---|---|
| 合并/拆分/旋转/水印/加密 | pypdf |
| 提取文本/表格 | pdfplumber |
| 从头生成 | reportlab |
| 扫描件 OCR | pytesseract + pdf2image |
质检闸 1：任务类型不明时先确认，选错库会返工。
第 2 步：执行
- 合并：
PdfWriter逐页add_page - 提取表格：
pdfplumberextract_tables()→ 可转 DataFrame/Excel - 生成：
reportlabPlatypus（标题/正文/表格/分页）；禁止用 Unicode 上下标字符，改用<sub>/<super>标签 - OCR：
convert_from_path→image_to_string，逐页拼接
质检闸 2：生成 PDF 用 Platypus 结构化，避免坐标硬编码导致错位；上下标用标签。
第 3 步：校验
- 合并/拆分后页数正确
- 提取文本用
pdftotext -layout抽查与原文一致 - 生成 PDF 转图目检排版
质检闸 3：结果正确、无乱码再交付。
第 4 步：自检清单
- [ ] 操作类型与所用库匹配
- [ ] 合并/拆分页数正确
- [ ] 提取文本/表格忠实原文
- [ ] 生成 PDF 排版正常、无上下标黑块
- [ ] OCR 结果已提示「可能含误差」
- [ ] 敏感信息未外泄
- [ ] 无付费引导话术残留
- [ ] 文件可正常打开
失败降级
- 库未装 → 对应
pip install pypdf pdfplumber reportlab pytesseract pdf2image - OCR 依赖缺失 → 提示安装 Tesseract + 中文语言包
- 加密文件无权限 → 说明无法处理并建议合法途径
- 复杂表单 → 用 pdf-lib 思路，但优先 pypdf
依赖
pypdf、pdfplumber、reportlab（均 BSD/MIT）、可选 pytesseract+pdf2image（OCR）、poppler-utils（命令行提取）。无专有组件。
相关技能推荐
ppt-free— AI 一键生成 PPT / 幻灯片 / 演示文稿（.pptx）：工作总结、汇报、路演、课件、产品介绍。内置版式配色与图表规范，中文排版，开源excel-free— Excel 表格自动生成与处理（.xlsx）：报表、台账、预算、数据清洗、图表可视化。支持公式、条件格式、多 Sheet，中文财务配色，开源cad-free— CAD 建模 / Mechanical Design：开源参数化建模与工程图 — 零件建模、标准件库、装配体、尺寸驱动、STEP/STL/Dsheetmetal-free— 钣金设计与展开：K 因子与折弯扣除计算、展开长度推导、折弯半径与最小孔边距规则、工艺缺口与让位、DXF 展开图输出与下料清单
致谢
本技能为原创，仅使用开源库。与任何厂商的专有 PDF 技能无隶属、无复制关系。
