## 引言：PDF 是办公环境里最"不好惹"的格式

前几篇我写过让 WorkBuddy 每天自动领积分、一句话清洗 Excel 脏数据、批量整理乱文件夹。这次挑了个更偏办公实操的场景：**PDF 的合并、拆分与关键信息提取**。

PDF 麻烦在三点：一是它天生"只读"，改动成本高；二是它经常是散落的一堆——每月一份对账单、每份三页，一年下来几十个文件；三是真正要看的信息往往只在前两行，却要一个个打开翻。

这类活人来做，属于"不难但磨人"：打开、翻页、复制、粘贴、改格式，八份文件半小时起步，还容易抄错小数点。这次我把整套流程交给 WorkBuddy，从零写脚本、跑、看输出、改，全程记录下来，数字都是真实运行结果。

先说结论：**整套处理 0.27 秒跑完，但真正有价值的是两个"坑"——加密 PDF 和扫描件无文本层。** 这两类文件如果不提前识别，你的自动化流程会在半夜静默漏掉数据，比手工抄错更难发现。

## 一、需求怎么提：一句话模板

这次的需求我一次性说清楚了，套用的是这个结构：

> **输入范围 + 三类目标（合并/拆分/提取规则）+ 异常处理 + 安全边界 + 输出位置**

落到实际对话里是这样的：

> `demo/pdf-demo/source` 里有 8 份供应商对账单 PDF。请你写脚本做三件事：
> 第一，把正常文本件按「账期 + 供应商代码」排序合并成一份总册，每个供应商每月加一个书签，方便跳转；
> 第二，再按供应商拆一次，每家只保留首页汇总页，输出成一个文件；
> 第三，从每份的首页提取对账单号、供应商名称、结算周期、本期应付金额，汇总成一张 CSV；
> 遇到加密或读不出文字的 PDF 不要跳过，单独报告出来。**只读不写，不要改动 source 目录里的原文件。**
> 所有产出放到 `out/`，并把每一步的真实输出打印给我看。

最后两句是关键。"**只读不写**"和"**异常不要跳过**"——第一句防止它"顺手帮你优化原文件"，第二句防止它遇到读不出的文件默默 continue，最后你拿着一份少了三条数据的汇总表做决策。

## 二、先把素材做成可复现的

为了不拿真实单据冒险，我先让 WorkBuddy 生成演示素材：6 份模拟的「供应商月度对账单」，每份 3 页（第 1 页汇总 + 2 页明细，每页 13 行货物明细），另外特意造了 2 个"麻烦文件"。

构造方式本身也很实用：用 HTML 排版 → Edge 无头模式打印成 PDF。这样出来的 PDF 带**真实文本层**，可以被检索、复制、提取；想造"扫描件"时，就把同一个页面截成图片再包成 PDF——文字立刻变成像素，文本层消失。真实运行输出：

```
对账单_2026-01_CF.pdf  ->  3 页  (216,730 字节)
对账单_2026-01_HT.pdf  ->  3 页  (215,806 字节)
对账单_2026-02_HT.pdf  ->  3 页  (216,567 字节)
对账单_2026-02_YQ.pdf  ->  3 页  (217,824 字节)
对账单_2026-03_CF.pdf  ->  3 页  (216,428 字节)
对账单_2026-03_YQ.pdf  ->  3 页  (217,634 字节)
[1/3] HTML->PDF：6 个文件，合计 18 页
[2/3] 扫描件（无文本层）：扫描件_对账单_2026-04_HY.pdf  1 页  56,110 字节
[3/3] 加密件（口令 HT2026）：加密_对账单_2026-02_HT.pdf  3 页  148,084 字节
```

`source/` 目录最终是 8 个 PDF：**6 个正常文本件（18 页）+ 1 个加密件 + 1 个扫描件**。这个构成很接近真实情况——财务同事发来的文件，总有那么一两份是被电脑管家加过密、或者干脆是从纸质件扫描过来的。

## 三、合并：18 页总册 + 6 个可跳转书签

合并本身是最简单的一步，但**加书签**这个细节决定了成品好不好用。8 份文件合成一份，如果不加书签，找某个月的某家供应商还得靠翻页；加了书签，点一下就跳过去。

真实运行输出：

```
[扫描] source/ 下识别到 8 个 PDF，其中正常文本件 6 个，另 2 个特殊情况件
  + 对账单_2026-01_CF.pdf  第 1-3 页
  + 对账单_2026-01_HT.pdf  第 4-6 页
  + 对账单_2026-02_HT.pdf  第 7-9 页
  + 对账单_2026-02_YQ.pdf  第 10-12 页
  + 对账单_2026-03_CF.pdf  第 13-15 页
  + 对账单_2026-03_YQ.pdf  第 16-18 页
[合并] 对账单合集_2026Q1.pdf  18 页  887,319 字节  书签 6 个
```

我没有只看脚本自己打印的"成功"，而是**把合并后的文件重新读了一遍做校验**，结果如下：

```
页数 18
- 书签: 2026-01 CF -> 第 1 页
- 书签: 2026-01 HT -> 第 4 页
- 书签: 2026-02 HT -> 第 7 页
- 书签: 2026-02 YQ -> 第 10 页
- 书签: 2026-03 CF -> 第 13 页
- 书签: 2026-03 YQ -> 第 16 页
第 18 页含"对账单号": True
```

**这一步校验非常值得做。** 自动化的典型翻车方式是"脚本说成功、文件其实不对"——比如书签全部指向第 1 页，或者末页因为写入中断而丢内容。花 5 秒钟回读一次，比事后发现少了一页强得多。

## 四、拆分：每家一册，只留汇总页

第二步是反向操作：按供应商拆开，而且**只保留首页汇总页**。这个需求很典型——给老板看或给供应商确认时，明细页是噪音，只要金额和账期。

```
[拆分] 拆分_CF_汇总页.pdf  2 页  283,013 字节  （CF 共 2 期）
[拆分] 拆分_HT_汇总页.pdf  2 页  282,234 字节  （HT 共 2 期）
[拆分] 拆分_YQ_汇总页.pdf  2 页  285,253 字节  （YQ 共 2 期）
```

注意这里有个容易忽略的点：**拆分不是按文件名拆，而是按"文件里写的是什么"拆。** 我这次用的是从文件名解析出的供应商代码，所以命名的规范程度直接决定自动化能不能跑通。如果你的文件叫 `新建文件夹 (2)/扫描0001.pdf`，那第一步就得先人工改名，或者改用"读内容识别供应商"的方式——后者更稳，但需要 PDF 有文本层。

## 五、提取：6 个字段全部命中，金额合计 112 万

最省时间的其实是第三步。6 份文件、每份 3 页，人工做要翻 18 页、抄 6 行关键信息；脚本做就是从首页文本里跑几个正则。

真实产出 `对账单关键信息汇总.csv`（节选）：

```
账期,供应商代码,供应商名称,对账单号,结算周期,本期应付金额,页数
2026-01,CF,东莞市长丰五金制品厂,DZ-202601-CF,2026-01-01~2026-01-31,116620.81,3
2026-01,HT,深圳市恒通电子有限公司,DZ-202601-HT,2026-01-01~2026-01-31,241625.14,3
2026-02,HT,深圳市恒通电子有限公司,DZ-202602-HT,2026-02-01~2026-02-28,134294.88,3
2026-02,YQ,苏州云启包装材料有限公司,DZ-202602-YQ,2026-02-01~2026-02-28,246648.55,3
2026-03,CF,东莞市长丰五金制品厂,DZ-202603-CF,2026-03-01~2026-03-31,171147.34,3
2026-03,YQ,苏州云启包装材料有限公司,DZ-202603-YQ,2026-03-01~2026-03-31,214234.65,3
```

```
[提取] 对账单关键信息汇总.csv  解析 6 份，全部字段命中 6 份
       金额合计 1,124,571.37 元
```

6 份文件、6 个字段，**100% 命中，合计 1,124,571.37 元**。这里我特意让脚本统计"全部字段命中几份"，而不是只输出一个总数——因为漏字段最典型的症状就是"总金额对不上却看不出错在哪"，有命中率这一行，一眼就能定位。

## 六、两个真实的坑，比合并拆分本身更重要

### 坑 1：加密 PDF 会让脚本直接抛异常

那份"加密件"我模拟的是供应商给文件加了打开口令的场景。脚本第一次读到它的时候，是这样失败的：

```
[坑1] 加密_对账单_2026-02_HT.pdf  is_encrypted=True
      未解密直接读抛错：FileNotDecryptedError: File has not been decrypted
      用口令 HT2026 解密 -> 2，读到 334 个字符，命中金额 134,294.88 元
```

`FileNotDecryptedError` 这个异常很有欺骗性：如果脚本里写的是 `for f in files: ...` 而没做异常处理，整个批次会在这一份文件上**直接中断**，前面的成果看着已经写进文件了，其实后面的全没处理。

正确做法是三步：先判断 `is_encrypted`，再尝试用已知口令解密，最后**把未成功的文件单独列出来报告**。我让 WorkBuddy 输出的就是这种"逐份状态"而不是一句笼统的"已完成"。

另外提醒一句：给 PDF 加/解口令涉及别人的文件权限，**只处理你有权处理的文件**；口令也不要硬编码在脚本里，更不要连同脚本一起发给别人。

### 坑 2：扫描件没有文本层，`extract_text()` 返回 0 个字符

这是比加密更隐蔽的问题。扫描件看起来"正常打开、能看能读"，但它本质是一张图片：

```
[坑2] 扫描件_对账单_2026-04_HY.pdf  1 页，extract_text() 拿到 0 个字符 -> 无文本层，必须 OCR
```

**它不会报错。** 脚本会安安静静地返回空字符串，然后给你一张少了这一行的汇总表。我在生成素材时特意用"截图→包 PDF"的方式复现了这个现象，就是为了说明：任何"从 PDF 提文字"的流程，都必须加一条"提取字符数为 0 就报警"的检查。

想处理这类文件，只能走 OCR 路线（把页面渲染成图片再做文字识别），识别结果还要人工校对——金额、单号这类关键字段，OCR 把 8 认成 3 是常事。

### 顺手记下的小插曲

第一次跑的时候我还犯了个低级错误：负责生成"扫描件"的函数里引用了一张**当时还没生成的图片**，脚本直接报文件找不到。这个问题一点技术含量都没有，但很能说明自动化任务的常态——**失败往往发生在流程依赖上，而不是算法上**。所以现在我的习惯是：让 WorkBuddy 把每一步的真实输出打印出来，而不是只打一句"完成"，这样出错的时候能直接看到断在哪一环。

## 七、这套流程适合什么，不适合什么

适合：

- **周期性、格式固定的 PDF 批处理**——月度对账单、批量发票、成绩单、检测报告，格式越稳定，正则越可靠；
- **合并 + 加书签 + 提取汇总** 这类"结果要给人看"的场景；
- 处理**自己的、非敏感**文件。

需要谨慎：

- **含个人信息或商业机密的文件，不要上传到任何第三方平台**，本地脚本处理即可；
- **加密件和扫描件必须单独确认**，不要指望全自动静默通过；
- **提取结果一定要抽检**。我这次 6 份全命中，是因为素材格式完全一致；真实文件里"金额"可能写成 `¥116,620.81` 或 `116620.81元`，正则就得跟着改。
- 如果你的 PDF 是签名版、表单版或有图层，处理方式会不一样，建议先拿一份副本测试。

关于 WorkBuddy 侧的入口、运行额度和任务时长限制，不同版本可能不同，**以客户端实际展示为准**；本文只记录我这次实际跑通的流程和输出。

## 总结

这次动手的三个收获，比"合并了 18 页 PDF"本身更有用：

1. **合并要加书签，改完要回读校验。** 脚本说成功不等于文件对，回读一次成本极低。
2. **异常必须显式报告。** 加密件会抛异常中断整批，扫描件会静默返回空值——一个吵一个哑，两个都能让你的汇总表出错。
3. **把"格式稳定"当成前提，而不是假设。** 自动化的价值在这类重复劳动上极高（0.27 秒 vs 半小时），但它对输入格式的容错率，取决于你愿意花多少时间做检查和兜底。

下一篇我打算试试用类似的方法处理 PDF 里的表格——把明细页的结构化数据直接抽成 Excel，那才是真正能省下整块时间的场景。

> 本文为个人实测记录，演示数据均为脚本生成的模拟数据，不含任何真实企业或个人单据；涉及平台功能与规则的部分以客户端实际展示为准。操作他人文件（尤其带密码的文件）前，请确保你已获得授权。

前几篇我写过让 WorkBuddy 每天自动领积分、一句话清洗 Excel 脏数据、批量整理乱文件夹。这次挑了个更偏办公实操的场景：PDF 的合并、拆分与关键信息提取。

实测用 WorkBuddy 批处理 PDF：8 份对账单合并成 18 页总册，再拆 3 份汇总页加一张明细表 #WorkBuddy#

编程语言

开发工具

后端

用WorkBuddy自动化处理PDF合并、拆分与关键信息提取，实测8份对账单0.27秒跑完。文章重点揭示两大易踩坑：加密PDF会中断流程，扫描件无文本层会静默漏数据。提供完整脚本思路、校验方法及适用边界，强调异常显式报告与输出回读验证，适合周期性格式固定的PDF批处理场景。

结构化数据

文字识别

内容识别

代码解释

WorkBuddy 

WorkBuddy企业版限时双倍 Credits 活动

workbuddy

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

实测用 WorkBuddy 批处理 PDF：8 份对账单合并成 18 页总册，再拆 3 份汇总页加一张明细表 #WorkBuddy#-腾讯云开发者社区-腾讯云

实测用 WorkBuddy 批处理 PDF：8 份对账单合并成 18 页总册，再拆 3 份汇总页加一张明细表 #WorkBuddy#

实测用 WorkBuddy 批处理 PDF：8 份对账单合并成 18 页总册，再拆 3 份汇总页加一张明细表 #WorkBuddy#

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐