⚡

文档PDF处理技能 document-pdf

文档PDF处理技能是一个综合性工具集，用于处理PDF文件，包括创建、提取、操作和分析PDF文档。它支持多种编程语言和库，如Python的ReportLab和pdfplumber，以及Node.js的pdfkit，适用于自动化生成报告、发票，提取数据，合并和拆分文档等场景。关键词：PDF处理，文档自动化，数据提取，Python，Node.js，创建PDF，合并PDF，OCR，表格提取，PDF表单，HTML转PDF。

文档处理 0 次安装 0 次浏览 更新于 3/7/2026

名称: 文档-pdf 描述: 从PDF提取文本/表格，创建格式化PDF，合并/拆分/旋转，处理表单和元数据。支持pdf-lib/pdfkit (Node.js) 和 pypdf/pdfplumber/ReportLab (Python)。

文档PDF技能 — 快速参考

此技能支持PDF的创建、提取、操作和分析。Claude应在用户需要生成发票、报告、从PDF提取数据、合并文档或处理PDF表单时应用这些模式。

现代最佳实践（2026年1月）:

  • PDF是发布产物，而非可编辑的真实源。
  • 验证导出保真度（字体、图像、链接）和在需要时的可访问性。
  • 可访问性：如果合规重要，优先采用标记/结构化PDF工作流（通常与PDF/UA对齐）并使用工具验证。
  • 欧盟分发：EAA（2025年6月）通常暗示对面向客户的PDF有EN 301 549期望。
  • 将PDF视为敏感文件：清除元数据，确保真实编辑，并控制分发。

核心决策规则（2026）

  • 首先决定：原生数字PDF（可选文本）与扫描PDF（图像）。扫描PDF通常需要OCR；参见references/pdf-extraction-patterns.md。
  • 如果用户需要可访问性/合规性，优先从支持结构的源格式（DOCX/HTML + 适当导出）生成，而不是“后修复”未标记的PDF。
  • 对于确定性操作（合并/拆分/旋转/清除），优先使用scripts/助手而不是重新实现临时方案。
  • 绝不要将黑色矩形或覆盖视为编辑；使用真实编辑并通过复制/粘贴 + 搜索验证。

快速参考

任务 工具/库 语言 使用时机
创建PDF pdfkit Node.js 报告、发票、证书
创建PDF ReportLab Python 复杂布局、表格
创建PDF FPDF2 Python 支持Unicode的简单PDF
创建PDF Borb Python 交互元素、纯Python
编辑PDF pdf-lib Node.js 修改现有PDF、添加页面
提取文本 pdfplumber Python 无需OCR的文本提取
OCR扫描PDF PyMuPDF + Tesseract Python 扫描PDF（无可选文本）
提取表格 Camelot Python 带边框表格（Lattice模式）
提取表格 Camelot/Tabula Python 无边框表格（Stream模式）
解析/合并/拆分/旋转 pypdf Python 确定性PDF操作
填充表单 pdf-lib Node.js 表单自动化
HTML转PDF Puppeteer/Playwright Node.js 高保真网页渲染
HTML转PDF WeasyPrint Python 基于CSS3，无需浏览器

何时使用此技能

Claude应在用户请求以下内容时调用此技能：

  • 从数据生成PDF（发票、报告、证书）
  • 从现有PDF提取文本或表格
  • 合并多个PDF为一个文档
  • 拆分PDF为单独文件
  • 以编程方式填充PDF表单
  • 添加水印、页眉、页脚
  • 将HTML/网页转换为PDF

默认工作流程

  • 创建：选择pdfkit（Node）或ReportLab（Python），从assets/invoice-template.md或assets/report-template.md开始；对于高级布局使用references/pdf-generation-patterns.md。
  • 提取：使用references/pdf-extraction-patterns.md（文本/表格/图像/元数据 + OCR回退）。
  • 交付：运行assets/pdf-release-checklist.md（保真度、链接、可访问性基线、隐私）。

脚本（确定性操作）

脚本是可选的助手；它们假设Python 3加上每个文件中列出的依赖项。

  • 合并：python3 scripts/merge_pdfs.py merged.pdf a.pdf b.pdf
  • 拆分：python3 scripts/split_pdf.py in.pdf out_dir --each-page
  • 旋转：python3 scripts/rotate_pdf.py in.pdf out.pdf --degrees 90
  • 清除元数据：python3 scripts/scrub_metadata.py in.pdf out.pdf

PDF结构模式

发票模板

发票结构
├── 页眉（徽标、公司信息、发票编号）
├── 账单地址/发货地址块
├── 行项目表
│   ├── 描述 | 数量 | 单价 | 总计
│   └── 小计、税费、总计
├── 付款条款
└── 页脚（联系信息、致谢）

报告模板

报告PDF结构
├── 封面页（标题、作者、日期）
├── 目录
├── 带有页码的主体部分
├── 带有标题的图表/图像
├── 附录
└── 运行页眉/页脚

决策树

PDF任务：[您需要什么？]
    ├─ 创建新PDF？
    │   ├─ 简单文本/表格 → pdfkit（Node）或ReportLab（Python）
    │   ├─ 复杂布局 → ReportLab与Platypus
    │   └─ 从HTML → Puppeteer或wkhtmltopdf
    │
    ├─ 从PDF提取？
    │   ├─ 仅文本 → pdfplumber（Python）
    │   ├─ 表格 → pdfplumber或camelot（Python）
    │   └─ 图像 → PyMuPDF/fitz（Python）
    │
    ├─ 修改现有PDF？
    │   ├─ 添加文本/图像 → pdf-lib（Node）
    │   ├─ 合并/拆分 → pypdf或pdf-lib
    │   └─ 填充表单 → pdf-lib
    │
    └─ 批量处理？
        └─ pypdf + pdfplumber管道

做 / 避免（2026年1月）

做

  • 保留版本控制的源文档（doc/幻灯片/设计文件）与PDF一起。
  • 验证长文档的链接和阅读顺序。
  • 使用真实编辑并通过复制/粘贴测试。

避免

  • 当存在源文档时，将PDF作为主要工作流编辑。
  • 分发带有损坏链接或难以辨认图表的PDF。
  • 在未经明确批准的情况下在PDF中包含客户PII或机密信息。

良好标准

  • 保真度：从版本控制的源文件（doc/幻灯片/设计）导出可重现，在不同查看器中看起来相同。
  • 可访问性：标记/阅读顺序正确；链接有效；扫描文档在适当时进行OCR。
  • 发布卫生：文件命名包含版本/日期；元数据干净；无“PDF作为真实源”。
  • 安全性：编辑已验证（复制/粘贴测试）并最小化敏感数据。
  • QA：使用assets/pdf-release-checklist.md完成发布检查表。

可选：AI / 自动化

仅在明确请求且符合政策时使用。

  • 生成发布检查表运行；人工手动验证最终PDF。

导航

资源

模板

相关技能