首页 > 编程语言 >Python批量处理PDF表单合并实战指南

Python批量处理PDF表单合并实战指南

来源：互联网 2026-07-16 06:59:12

python资讯合集

以PDF表单批量填写与数据提取为核心，通过Python的PyPDF2和pdfplumber库实现自动化处理。案例一根据Excel数据批量生成合同；案例二提取已填写表单字段及扫描件中的表格数据，并整合为完整工作流。

处理PDF表单（PDF Form）是办公自动化中一项具备一定技术门槛的操作，但也是真正能够提升效率、减少重复劳动的关键技能。批量填写合同模板、生成大量报表、提取表单数据，这些需求在职场中十分常见。本文通过两个完整案例，帮助大家全面掌握PDF表单的批量处理与数据提取方法。

长期稳定更新的攒劲资源： >>>点此立即查看<<<

一、案例一：批量填写PDF表单

一个典型的应用场景是：手头有一份PDF合同模板，其中预设了姓名、金额、日期等表单字段，需要根据Excel数据批量生成合同。具体操作步骤如下。

1. 准备工作

首先安装两个必要的Python库：

pip install pdfplumber PyPDF2

2. 查看PDF表单字段

如果不清楚模板中包含哪些字段，可以先编写一个脚本进行扫描：

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):
            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', '')}")

3. 批量填写PDF表单

明确字段信息后，即可进行批量填写。核心逻辑封装在以下函数中，它接收模板路径、输出路径和字段数据字典，自动完成填写并保存。

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]
    writer.add_page(page)
    writer.update_page_form_field_values(
        writer.pages[0], data_dict
    )

    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():
        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}")

二、案例二：提取PDF表单数据

完成PDF表单填写后，下一步往往涉及数据提取。这里分两种情况：提取已填写的表单字段数据，以及从扫描件或不可填写的PDF中提取表格内容。

1. 提取已填写的PDF表单数据

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}")

2. 提取不可填写的表格数据

如果PDF中没有可编辑的表单字段，但内容以表格形式呈现，可以使用pdfplumber进行提取。

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:
                    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

3. 完整工作流

将以上环节串联起来，即可构建一条完整的PDF表单处理流水线。

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

    form_data = extract_form_data("日报表.pdf")
    print(f"提取到{len(form_data)}个字段")

    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")

    print("处理完成!")