#WorkBuddy# 30 份 PDF 拆分 / 合并 / 加水印：1.86 秒跑完一条批处理流水线

朋友丢来一个文件夹，30 份 PDF，要求三件事：① 每一页都拆成独立的单页 PDF；② 把每份的首页抽出来，按原顺序合成一本"封面合集"；③ 全部页面统一盖上 CONFIDENTIAL 水印，且不能挡住正文。

如果手工做，光是拆分就要点 62 次"另存为"——30 份文件一共 62 页。更麻烦的是，只要文档有增删，前面所有操作全部报废，得从头再来一遍。

这篇文章记录我用 WorkBuddy 把这件事批量化的全过程。

先说清楚数据来源：为了避免涉及任何真实文档，我用脚本现场合成了 30 份样例 PDF（共 62 页），下面每一个数字都是真实跑出来的，不是估算。

一、手工做到底卡在哪

把任务拆开看，其实每一步都"不难"，但都"很烦"：

• 拆分：每一页另存为独立文件，62 页就是 62 次重复操作，而且文件名还得自己想规则。
• 合并：要从 30 份文件里各取第一页，顺序不能乱，页码还不能错。
• 水印：要逐页叠加，而且必须保证正文清晰可读——水印盖住内容就白干了。
• 可重入：一旦源文件有增删，上面三步全部推倒重来。

只要还是"手工点鼠标"，这四件事就没有一件能一次性做对。

二、根因：PDF 本质是可以"拆开重组"的

很多人以为 PDF 是一张张"图片拼起来的"，改不了。其实 PDF 的结构是：一个容器，里面装着若干"页面对象"，每个页面对象再引用自己的资源（字体、图像等）。

理解这一点，上面三个需求就变成同一件事了：

• 拆分 = 把页面对象单独装进新容器；
• 合并 = 把多个容器里的页面对象，按指定顺序装进同一个新容器；
• 加水印 = 把"水印页面"作为一个图层，叠加到每一个页面对象上。

换句话说，全程都是对"页面对象"做搬运，根本不需要重排内容。这也是它快的原因。

三、真实运行数据

我把整条流水线跑了一遍，处理前后的关键指标如下（全部实测）：

• 源文件：30 份，共 62 页；
• 拆分产出：62 个单页 PDF，耗时 0.23 s；
• 合并产出：封面合集 30 页 + 全量合集 62 页，耗时 0.12 s；
• 水印：62 页全部盖章，耗时 0.05 s，体积只增加 0.02 MB；
• 端到端总耗时：1.86 秒。

注意"总页数 62 → 62"这一行：内容零丢失。这是批量处理最该盯住的指标——快没有意义，准才有意义。

四、核心代码（可直接复制）

真正干活的部分不到 20 行。这里只保留 1 个代码块，方便你直接抄：

import os
from pypdf import PdfReader, PdfWriter

SRC, SPLIT, OUT = "./src", "./split", "./out"

# 1) 拆分：每个源 PDF 的每一页 -> 独立单页文件
n = 0
for sp in sorted(os.listdir(SRC)):
    r = PdfReader(os.path.join(SRC, sp))
    for k, page in enumerate(r.pages):
        w = PdfWriter(); w.add_page(page)
        w.write(open(f"{SPLIT}/{sp[:-4]}_p{k+1}.pdf", "wb")); n += 1

# 2) 合并：全量合集（要按规则筛选就把 add_page 换个条件即可）
full = PdfWriter()
for sp in sorted(os.listdir(SRC)):
    for p in PdfReader(os.path.join(SRC, sp)).pages:
        full.add_page(p)
full.write(open(f"{OUT}/full_collection.pdf", "wb"))

# 3) 水印：把"只有文字、无底色"的透明页叠加到每一页
wm = PdfReader(f"{OUT}/_watermark.pdf").pages[0]
w2 = PdfWriter()
for p in PdfReader(f"{OUT}/full_collection.pdf").pages:
    p.merge_page(wm)          # 透明叠加，正文不会被盖住
    w2.add_page(p)
w2.write(open(f"{OUT}/full_watermarked.pdf", "wb"))

关键就一个 API：page.merge_page(wm)——它把水印页作为图层叠在目标页上。

五、水印这一步的真实效果

上面代码里的 _watermark.pdf 是一个"只有文字、没有底色"的透明页面。对比一下同一页加水印前后的效果：

可以看到，水印是斜向、半透明的，正文依然清晰可读——这正是"透明叠加"的意义。如果你拿一张带白色底色的图片当水印页，叠上去会把整页正文盖住，这是最常见的翻车点。

六、三个真实踩过的坑

坑 1：手写水印 PDF 时，**%PDF** 里的百分号与格式化占位符冲突。

我本来想用 "...%d..." % length 拼 PDF 字节流，结果直接抛 ValueError: unsupported format character 'P'。原因就是 %PDF-1.4 里的 %P 被当成了格式符。

解法：不要用 % 格式化拼 PDF 字节，改成字节串拼接；或者把百分号全部转义成 %%。

坑 2：水印页只要带底色，就会把正文盖住。

PDF 叠加是"整页图层覆盖"，不会自动抠透明。所以水印页必须只有文字、没有背景填充，否则等于拿一张白纸糊在正文上。

解法：水印页面只画文字（BT ... Tj ET），完全不画背景矩形。

坑 3：中文水印用标准字体渲染不出来，还会编码报错。

我用 Helvetica 这种 PDF 内置标准字体画水印，结果既没有中文字形，又抛 UnicodeEncodeError: 'latin-1' codec。

解法：内置标准字体只支持 ASCII，水印文字用 CONFIDENTIAL 这类英文；要中文水印就得嵌入 CJK 字体。

七、把这件事交给 WorkBuddy 的提示词模板

不用自己写代码，也可以直接把需求讲清楚让 WorkBuddy 生成脚本。下面这段可以直接抄：

我有一个文件夹，里面有若干 PDF。请写一个 Python 脚本，用 pypdf 依次完成三件事： ① 把每个 PDF 的每一页拆成独立的单页 PDF，输出到 ./split，命名规则为 原名_p页码.pdf； ② 把每个源文件的第一页按文件名顺序合并成一本 ./out/cover_collection.pdf，再把所有页合并成 ./out/full_collection.pdf； ③ 生成一个只有文字、无底色的透明水印页（文字用斜向的 CONFIDENTIAL），用 page.merge_page() 叠加到全量合集的每一页，输出 ./out/full_watermarked.pdf。 要求：只依赖 pypdf 和标准库；打印每一步的耗时、产出文件数和总页数；处理前后页数必须一致。

把它交给 WorkBuddy 跑一遍，你得到的是一套可重入、可复跑的脚本——源文件更新了，重新跑一次就行，不用再点 62 次鼠标。

八、写在最后

批处理的真正价值，不在于"快"，而在于可重复。

手工做的 62 次点击，只要有一次手滑，错的就是整批文件，而且你很难发现错在哪一页。而流水线的好处是：每个数字都能被核对——页数的增减、体积的变化、耗时的量级，任何一个异常都会立刻暴露。

对我这种"宁可多花 10 分钟写脚本，也不愿点 62 次鼠标"的人来说，这就是最省心的解法。

作者所处行业与岗位：信息技术服务业 · 数据与效率工具工程师。

本文所有 PDF 均为脚本合成的测试数据，不含任何真实业务信息；数字均为本机实测，可复现。