（4654期）pdf-skill – 专业级 PDF 处理与自动化生成

专业级 PDF 处理与自动化生成 基于 pypdf/pdfplumber/weasyprint 的完整 PDF 处理方案，支持创建、编辑、合并、拆分、水印、OCR 及 HTML 转 PDF，适合文档自动化与报表生成场景。 使用说明 核心用法 PDF Skill v2.0 提供完整的 PDF 处理工作流，基于 Python 生态中成熟的文档处理库构建： 文档读取与解析：使用 pypdf 实现基础 PDF 读取，支持元数据提取、文本抽取、书签解析及加密解密；配合 pdfplumber 实现复杂表格识别与结构化数据提取，可导出为 Excel 格式。 文档生成与转换：通过 weasyprint 将 HTML/CSS 渲染为高质量 PDF，支持自定义页面尺寸、页眉页脚、分页计数等印刷级排版特性，适合自动化报表生成。 文档操作：支持多文件合并与智能书签生成、按页拆分、页面旋转（90°/180°/270°）、密码保护及表单填充。 高级功能：集成 pdf2image+pytesseract 实现扫描件 OCR 文字识别；通过 reportlab 生成自定义水印 PDF 并叠加到目标文档。 显著优点 功能全面：覆盖 PDF 全生命周期操作，从创建到归档一站式解决 技术栈成熟：底层依赖均为 Python 生态主流库（pypdf 4.x、pdfplumber、weasyprint），社区活跃、文档完善 输出质量高：weasyprint 基于 WebKit 渲染引擎，CSS 支持度好，可生成印刷级文档 表格识别精准：pdfplumber 针对 PDF 表格结构优化，保留单元格边界与合并信息 扩展性强：模块化设计，各功能可独立使用或组合编排 潜在缺点与局限性 OCR 依赖外部引擎：需单独安装 Tesseract 及系统级依赖（如 poppler），配置门槛较高 复杂布局解析受限：图文混排、多栏布局的文本抽取可能错位，需后处理校正 HTML 渲染兼容性：weasyprint 对部分现代 CSS 特性（如 flexbox 高级用法、Grid）支持有限 扫描 PDF 处理性能：OCR 场景下逐页转图+识别流程耗时较长，大文档需分块处理 表单功能基础：仅支持简单文本字段填充，复杂交互式表单（如 JavaScript 计算字段）不支持 适合人群 企业 IT 部门/数据团队：自动化报表生成、合同批量处理、发票归档系统 开发者：需要集成 PDF 能力的 Python 后端服务、RPA 流程、文档流水线 研究人员/分析师：批量提取学术文献、财报表格进行结构化分析 小型团队：替代 Adobe 等商业软件，降低文档处理成本 常规风险 敏感信息泄露：提取文本/元数据时可能暴露隐藏层或删除不彻底的机密内容 供应链风险：weasyprint 依赖 GTK+/cairo 等系统库，容器化部署需额外处理依赖 解析漏洞：PDF 作为复杂二进制格式存在解析漏洞历史，处理不可信来源文件时建议沙箱环境运行 OCR 隐私：云端 OCR 服务可能上传敏感图像，本地 Tesseract 方案更安全但需自行维护语言包 原始说明 Create, read, edit, merge, split PDF files. Supports text extraction, table extraction, form filling, watermarks, OCR, and HTML-to-PDF conversion.