本文介绍如何基于pandas dataframe中定义的页码规则，从原始pdf中精准提取指定页面，为每一行数据自动创建专属文件夹及裁剪后的pdf文件，全程使用pypdf2实现高效、可靠的pdf页面筛选与输出。
本文介绍如何基于pandas dataframe中定义的页码规则，从原始pdf中精准提取指定页面，为每一行数据自动创建专属文件夹及裁剪后的pdf文件，全程使用pypdf2实现高效、可靠的pdf页面筛选与输出。
在自动化文档处理场景中，常需根据结构化元数据（如日期组合+对应页码）将一份主PDF拆解为多个定制化子文档。本教程以 pdf_summary DataFrame 为驱动源，每行包含 file_name（用于命名目录和PDF）与 file_pages_to_keep（逗号分隔的1起始页码字符串），目标是：对每行生成一个同名文件夹，并在其中保存仅含指定页的PDF副本。
✅ 核心实现步骤
-
安装依赖（如未安装）：
pip install PyPDF2
-
定义页面提取函数
使用 PyPDF2.PdfReader 读取源PDF，PdfWriter 构建新PDF。注意：PDF库内部页索引从0开始，而输入页码为人类习惯的1起始，需统一转换：import os from PyPDF2 import PdfReader, PdfWriter def extract_pages(input_pdf: str, output_pdf: str, pages: list[int]): """ 从input_pdf中提取指定页码（1起始）并写入output_pdf """ with open(input_pdf, "rb") as f: reader = PdfReader(f) 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} out of range (PDF has {len(reader.pages)} pages)") with open(output_pdf, "wb") as out_f: writer.write(out_f) -
遍历DataFrame并批量生成
对每一行：- 清理 file_name 中非法路径字符（如 /, ?, * 等），避免系统报错；
- 创建嵌套目录（os.makedirs(..., exist_ok=True) 安全兼容重复运行）；
- 解析 file_pages_to_keep 字符串为整数列表；
- 调用 extract_pages() 输出PDF。
# 原始PDF路径（确保可读） pdf_path = "Documents/menu.pdf" # 输出根目录（可自定义，如改为 os.path.abspath("output")） base_output_dir = "output_folders" for idx, row in pdf_summary.iterrows(): # 安全化文件夹名：移除Windows/Linux不支持的字符 folder_name = "".join(c for c in str(row["file_name"]) if c.isalnum() or c in " _-.,()") folder_path = os.path.join(base_output_dir, folder_name) os.makedirs(folder_path, exist_ok=True) # 解析页码（支持 "1,3"、"5"、"2, 4, 6" 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 # 构建输出PDF路径 output_pdf_path = os.path.join(folder_path, f"{folder_name}.pdf") # 执行提取 extract_pages(pdf_path, output_pdf_path, pages_to_keep) print(f"✅ Generated: {output_pdf_path} (pages {pages_to_keep})")
⚠️ 关键注意事项
- 页码有效性校验：示例代码已加入越界检查（if 1
- 路径安全性：file_name 直接用作目录名存在风险（如含../或控制字符），生产环境应使用 pathlib.Path(folder_name).name 或正则清洗；
- 性能优化：若PDF较大且行数多，可提前 PdfReader(pdf_path) 一次，传入函数复用 reader 实例，避免重复IO；
- 编码兼容性：file_pages_to_keep 列若含空格（如 "1, 3"），.split(",") 后务必 .strip()；
- 替代方案提示：PyPDF2 在v3.0+ 已弃用部分API；如需更高稳定性或PDF/A支持，可考虑 pypdf（PyPDF2的继任者）或 fitz（PyMuPDF，速度更快但二进制依赖）。
执行完成后，你将获得 output_folders/ 下50个子目录，每个目录内含一份精确裁剪的PDF——完全匹配 pdf_summary 的业务逻辑。此模式可轻松扩展至千级任务，是构建PDF自动化流水线的可靠基础组件。
