本文介绍如何基于pandas dataframe中定义的页码规则，自动为每行记录创建专属文件夹及对应pdf（仅含指定页），全程使用pypdf2实现精准页面提取与目录结构生成。
本文介绍如何基于pandas dataframe中定义的页码规则，自动为每行记录创建专属文件夹及对应pdf（仅含指定页），全程使用pypdf2实现精准页面提取与目录结构生成。
在实际文档处理场景中，常需将一份主PDF（如菜单、手册或报表）按不同业务逻辑拆分为多个子PDF——例如按日期组合（“周一、周三”）、单日（“周五”）等生成定制化交付包。本教程提供一套可复用、健壮且易于扩展的Python解决方案，核心依赖 PyPDF2（推荐 ≥3.0.0 版本）进行PDF读写，并结合 os 和 pandas 完成路径管理与数据驱动流程。
✅ 核心步骤概览
- 定义页面提取函数：接收源PDF路径、目标PDF路径及页码列表，安全提取并保存；
- 遍历DataFrame：逐行解析 file_name 与 file_pages_to_keep 字段；
- 自动创建嵌套目录：以 file_name 命名文件夹（兼容中文、逗号、空格等常见字符）；
- 生成目标PDF：文件名与文件夹名一致，内容严格限定为指定页码（注意：PDF页码从1开始计数，代码中自动转为0基索引）。
? 完整实现代码
import os
import pandas as pd
from PyPDF2 import PdfReader, PdfWriter
# 配置参数
pdf_path = "Documents/menu.pdf" # 源PDF路径（需确保存在）
output_root = "output_folders" # 输出根目录（自动创建）
# 步骤1：定义页面提取函数
def extract_pages(input_pdf, output_pdf, pages):
"""
从input_pdf中提取指定页码（1-based），保存为output_pdf
:param input_pdf: 源PDF文件路径
:param output_pdf: 目标PDF文件路径
:param pages: 整数列表，如 [1, 3] 表示提取第1页和第3页
"""
with open(input_pdf, "rb") as f_in:
reader = PdfReader(f_in)
writer = PdfWriter()
for page_num in pages:
if 1 <= page_num <= len(reader.pages):
writer.add_page(reader.pages[page_num - 1])
else:
raise ValueError(f"Page {page_num} is out of range (PDF has {len(reader.pages)} pages)")
os.makedirs(os.path.dirname(output_pdf), exist_ok=True)
with open(output_pdf, "wb") as f_out:
writer.write(f_out)
# 步骤2：加载并处理DataFrame（假设pdf_summary已就绪）
# pdf_summary = pd.read_csv("summary.csv") # 如需从CSV加载，可取消注释
for idx, row in pdf_summary.iterrows():
# 清理文件夹/文件名中的非法字符（可选增强鲁棒性）
safe_name = row["file_name"].strip().replace("/", "_").replace("\", "_")
# 构建路径
folder_path = os.path.join(output_root, safe_name)
output_pdf_path = os.path.join(folder_path, f"{safe_name}.pdf")
# 解析页码字符串（支持 "1,3"、"1"、"2, 4, 5" 等格式）
try:
pages_to_keep = [int(p.strip()) for p in row["file_pages_to_keep"].split(",")]
except ValueError as e:
raise ValueError(f"Invalid page format in row {idx}: '{row['file_pages_to_keep']}'") from e
# 执行提取
extract_pages(pdf_path, output_pdf_path, pages_to_keep)
print(f"✅ Generated: {output_pdf_path}")⚠️ 关键注意事项
- 页码有效性校验：函数内已加入越界检查，避免因页码超出源PDF总页数导致静默失败；
- 路径安全性：os.makedirs(..., exist_ok=True) 确保并发或多轮运行不报错；建议对 file_name 做基础清洗（如替换 / ? * : | " 等Windows非法字符）；
- 性能提示：若PDF较大或行数极多（>1000），可考虑复用 PdfReader 实例（避免重复读取），但需注意内存占用；
- 依赖安装：执行前请运行 pip install PyPDF2 pandas；
- 编码兼容性：如 file_pages_to_keep 列含不可见空格或全角逗号，请在 .split() 前统一 .strip() 和 .replace('，', ',')。
✅ 验证与扩展
运行后，你将在 output_folders/ 下看到50个子目录，每个目录包含一个命名规范、内容精确的PDF。如需进一步扩展，可轻松集成：
- 添加水印或页眉页脚（通过 PdfWriter.add_page() 后修改 PageObject）；
- 并行化处理（使用 concurrent.futures.ThreadPoolExecutor 加速）；
- 输出日志到CSV记录成功/失败状态；
- 支持多源PDF（将 pdf_path 改为按行动态读取）。
该方案兼顾简洁性与工程可靠性，适用于自动化文档分发、测试用例生成、合规报告打包等多种专业场景。
