之前OCR的对于扫描类的文档倒是还有点用处，但是一旦文档中有截图，截图上带文字之类的，识别出来的东西就乱套了，最主要的时ocr识别出来的格式都乱了，而且效率还比较低，性能差点的机子，经不起几个服务就垮掉了，于是乎还是自己重新整一个，放弃ocr，因为日常的PDF扫描的连10%都占不到。
之前看到很多PDF工具，但是功能似乎都不是很全，尤其是在现在的统信UOS和银河麒麟这种国产操作系统上，应用更是少的可怜，要知道在Windows上还有adobe里提供的arcrobat这个处理PDF的大神，但是linux上就没戏了，要说没有也不行，毕竟wps还带了个PDF处理工具，就是处处要会员，要花钱。。。。。。
先来个界面图再介绍会更直观一些，非常简陋哈。
一、 项目概述
PDFTools 是一个基于 Python Flask 框架开发的 PDF 文档处理工具，提供了 PDF 转 Word、PDF 转 Excel、PDF 转 PPT、PDF 拆分、PDF 合并、PDF 页面删除等多种功能。该工具采用 Web 界面设计，操作简单直观，支持多文件处理。
二、技术架构
技术栈：
-
**后端框架**: Flask 2.0+
-
**PDF 处理库**:
-
PyPDF2: PDF 文件的基础操作（拆分、合并、页面删除）
-
pdf2docx: PDF 转 Word 功能
- pdfplumber: PDF 内容提取和表格识别 （看了别人的对比文章说这个提取的效果最好！就用上了，发现还真的不错！！）
-
PyMuPDF (fitz): 高级 PDF 内容提取和图像处理
-
**文档处理库**:
-
openpyxl: Excel 文件创建和编辑
-
python-pptx: PPT 文件创建和编辑
-
PIL (Pillow): 图像处理
-
**前端技术**: HTML5、CSS3、JavaScript (jQuery)
架构
三、功能
截图上都看的够清楚的了不用多做介绍了，说说怎么实现的然后上代码。
1、PDF 拆分模块
顾名思义就是将一个 PDF 文件拆分为多个 PDF 文件，可以按指定页码范围拆分或一次性的全部拆分所有单页。
使用 PyPDF2 库读取 PDF 文件，根据用户指定的页码范围或拆分模式，将指定页面写入新的 PDF 文件。
**关键函数**: `split_pdf()`
python
def split_pdf(input_path, output_dir, ranges=None, split_all=False, original_name="pdf"):
"""
拆分PDF文件
:param input_path: 输入PDF文件路径
:param output_dir: 输出目录
:param ranges: 页码范围列表，格式如["1-3", "5-7", "9"]
:param split_all: 是否拆分所有页面为单页
:param original_name: 原始文件名（不带扩展名）
:return: 生成的文件路径列表
"""
output_files = []
with open(input_path, 'rb') as pdf_file:
pdf_reader = PyPDF2.PdfReader(pdf_file)
total_pages = len(pdf_reader.pages)
if split_all:
# 拆分所有页面为单页
for i in range(total_pages):
pdf_writer = PyPDF2.PdfWriter()
pdf_writer.add_page(pdf_reader.pages[i])
# 保存新PDF，使用原始文件名
output_filename = f"{original_name}_page_{i+1}.pdf"
output_path = os.path.join(output_dir, output_filename)
with open(output_path, 'wb') as output_file:
pdf_writer.write(output_file)
output_files.append(output_path)
elif ranges:
# 按指定范围拆分
for i, page_range in enumerate(ranges):
pdf_writer = PyPDF2.PdfWriter()
# 解析页码范围
if '-' in page_range:
start, end = map(int, page_range.split('-'))
# 确保页码在有效范围内
start = max(1, min(start, total_pages))
end = max(start, min(end, total_pages))
pages = range(start-1, end)
else:
page_num = int(page_range)
page_num = max(1, min(page_num, total_pages))
pages = [page_num-1]
# 添加指定页码到新PDF
for page_idx in pages:
pdf_writer.add_page(pdf_reader.pages[page_idx])
# 保存新PDF，使用原始文件名
output_filename = f"{original_name}_split_{i+1}.pdf"
output_path = os.path.join(output_dir, output_filename)
with open(output_path, 'wb') as output_file:
pdf_writer.write(output_file)
output_files.append(output_path)
return output_files2、PDF 合并模块
将多个 PDF 文件合并为一个 PDF 文件。
使用 PyPDF2 库读取多个 PDF 文件，将所有页面按顺序添加到新的 PDF 文件中。
**关键函数**: `merge_pdfs()`
python
def merge_pdfs(input_paths, output_path):
"""
合并多个PDF文件
:param input_paths: 输入PDF文件路径列表
:param output_path: 输出PDF文件路径
:return: 输出文件路径
"""
pdf_writer = PyPDF2.PdfWriter()
try:
# 逐个处理PDF文件
for input_path in input_paths:
# 读取文件内容到内存
with open(input_path, 'rb') as pdf_file:
pdf_content = pdf_file.read()
# 创建内存流对象
from io import BytesIO
pdf_stream = BytesIO(pdf_content)
# 使用内存流创建PdfReader对象
pdf_reader = PyPDF2.PdfReader(pdf_stream)
# 逐个添加页面
for page in pdf_reader.pages:
pdf_writer.add_page(page)
# 写入合并后的PDF
with open(output_path, 'wb') as output_file:
pdf_writer.write(output_file)
except Exception as e:
# 记录详细错误信息
print(f"Error merging PDFs: {e}")
print(f"Input paths: {input_paths}")
print(f"Output path: {output_path}")
raise
return output_path3、PDF 页面删除模块
删除 PDF 文件中的指定页面。
使用 PyPDF2 库读取 PDF 文件，根据用户指定的页码范围，将不需要删除的页面写入新的 PDF 文件。
**关键函数**: `delete_pages()`
python
def delete_pages(pdf_path, output_path, delete_ranges):
"""
删除PDF文件中的指定页面
:param pdf_path: 输入PDF文件路径
:param output_path: 输出PDF文件路径
:param delete_ranges: 要删除的页码范围列表，格式如["1-3", "5-7", "9"]
:return: 输出文件路径
"""
with open(pdf_path, 'rb') as pdf_file:
pdf_reader = PyPDF2.PdfReader(pdf_file)
pdf_writer = PyPDF2.PdfWriter()
total_pages = len(pdf_reader.pages)
# 创建要保留的页码集合
keep_pages = set(range(total_pages))
# 解析要删除的页码范围
for page_range in delete_ranges:
if '-' in page_range:
# 处理页码范围（如1-3）
start, end = map(int, page_range.split('-'))
# 确保页码在有效范围内
start = max(1, min(start, total_pages))
end = max(start, min(end, total_pages))
# 从要保留的页码集合中移除这个范围内的页码
for i in range(start-1, end):
if i in keep_pages:
keep_pages.remove(i)
else:
# 处理单个页码（如5）
page_num = int(page_range)
page_num = max(1, min(page_num, total_pages))
# 从要保留的页码集合中移除这个页码
if (page_num-1) in keep_pages:
keep_pages.remove(page_num-1)
# 将保留的页码按顺序添加到新PDF
for page_idx in sorted(keep_pages):
pdf_writer.add_page(pdf_reader.pages[page_idx])
# 保存新PDF
with open(output_path, 'wb') as output_file:
pdf_writer.write(output_file)
return output_path4、PDF 转 Word 模块 这个很成熟也最简单
将 PDF 文件转换为 Word 文档（.docx 格式）。
使用 pdf2docx 库实现 PDF 到 Word 的转换，保留原始文档的格式和布局。
**关键函数**: `pdf_to_word()`
python
def pdf_to_word(pdf_path, output_path):
"""
将PDF转换为Word文档
:param pdf_path: 输入PDF文件路径
:param output_path: 输出Word文件路径
:return: 输出文件路径
"""
cv = Converter(pdf_path)
cv.convert(output_path)
cv.close()
return output_path5、PDF 转 Excel 模块
将 PDF 文件中的表格和文本转换为 Excel 表格。
为了更好的实现转换，所以使用了 pdfplumber 库，用来精确的提取 PDF 中的表格和文本内容，然后使用 openpyxl 库创建 Excel 文件并写入内容。
**关键函数**: `pdf_to_excel()`
python
def pdf_to_excel(pdf_path, output_path):
"""
将PDF转换为Excel文件
:param pdf_path: 输入PDF文件路径
:param output_path: 输出Excel文件路径
:return: 输出文件路径
"""
wb = openpyxl.Workbook()
ws = wb.active
# 使用pdfplumber提取表格
with pdfplumber.open(pdf_path) as pdf:
row = 1
for page_num, page in enumerate(pdf.pages):
# 提取页面中的所有表格
tables = page.extract_tables()
if tables:
for table in tables:
for table_row in table:
if any(cell and cell.strip() for cell in table_row):
for col, cell_value in enumerate(table_row, 1):
if cell_value and cell_value.strip():
ws.cell(row=row, column=col, value=cell_value.strip())
row += 1
else:
# 如果没有表格，提取文本并按行写入
text = page.extract_text()
if text:
lines = text.split('\n')
for line in lines:
if line.strip():
ws.cell(row=row, column=1, value=line.strip())
row += 1
# 每页之间添加空行
row += 2
wb.save(output_path)
return output_path6、PDF 转 PPT 模块
将 PDF 文件转换为 PowerPoint 演示文稿（.pptx 格式）。
结合使用 pdfplumber 和 PyMuPDF 库提取 PDF 中的文本、表格和图片内容，然后使用 python-pptx 库创建 PPT 文件并添加内容。
**关键函数**: `pdf_to_ppt()`
python
def pdf_to_ppt(pdf_path, output_path):
"""
将PDF转换为PPT文件
:param pdf_path: 输入PDF文件路径
:param output_path: 输出PPT文件路径
:return: 输出文件路径
"""
prs = Presentation()
# 使用pdfplumber和PyMuPDF结合提取内容
pdf_document = fitz.open(pdf_path)
with pdfplumber.open(pdf_path) as pdf_plumber:
for page_num in range(len(pdf_document)):
# 获取页面
fitz_page = pdf_document[page_num]
plumber_page = pdf_plumber.pages[page_num]
# 使用空白幻灯片布局
slide_layout = prs.slide_layouts[6] # 空白布局
slide = prs.slides.add_slide(slide_layout)
current_top = prs.slide_height * 0.05
content_height = prs.slide_height * 0.05
# 提取并添加文本
text = plumber_page.extract_text()
if text:
# 添加文本框到幻灯片顶部
left = prs.slide_width * 0.05
width = prs.slide_width * 0.9
height = prs.slide_height * 0.15 # 文本高度
textbox = slide.shapes.add_textbox(left, current_top, width, height)
text_frame = textbox.text_frame
text_frame.text = text
current_top += height + prs.slide_height * 0.05
content_height += height + prs.slide_height * 0.05
# 提取并添加表格
tables = plumber_page.extract_tables()
if tables:
for table in tables:
# 计算表格大小
table_height = prs.slide_height * 0.2 # 表格高度
# 确保表格不会超出幻灯片底部
if current_top + table_height > prs.slide_height * 0.9:
# 如果超出，创建新幻灯片
slide_layout = prs.slide_layouts[6]
slide = prs.slides.add_slide(slide_layout)
current_top = prs.slide_height * 0.05
left = prs.slide_width * 0.1
width = prs.slide_width * 0.8
# 添加表格
table_shape = slide.shapes.add_table(
rows=len(table),
cols=len(table[0]) if table else 1,
left=left,
top=current_top,
width=width,
height=table_height
)
# 填充表格内容
table_object = table_shape.table
for row_idx, table_row in enumerate(table):
for col_idx, cell_value in enumerate(table_row):
if cell_value and cell_value.strip():
table_object.cell(row_idx, col_idx).text = cell_value.strip()
current_top += table_height + prs.slide_height * 0.05
content_height += table_height + prs.slide_height * 0.05
# 提取并添加图片
images = fitz_page.get_images(full=True)
print(f"第 {page_num+1} 页发现 {len(images)} 张图片")
if images:
for img_index, img in enumerate(images):
try:
xref = img[0]
base_image = pdf_document.extract_image(xref)
image_bytes = base_image["image"]
image_ext = base_image["ext"]
print(f" 处理图片 {img_index+1}/{len(images)}: {image_ext}")
# 使用PIL处理图片，确保格式兼容
image_stream = io.BytesIO(image_bytes)
pil_image = Image.open(image_stream)
# 如果图片格式不是RGB，转换为RGB
if pil_image.mode != 'RGB':
pil_image = pil_image.convert('RGB')
# 将图片保存为临时JPEG格式
temp_stream = io.BytesIO()
pil_image.save(temp_stream, format='JPEG', quality=95)
temp_stream.seek(0)
# 获取原始图片大小
img_width, img_height = pil_image.size
aspect_ratio = img_width / img_height
print(f" 原始图片大小: {img_width}x{img_height}, 宽高比: {aspect_ratio:.2f}")
# 设置幻灯片可用区域
available_width = prs.slide_width * 0.9
available_height = prs.slide_height * 0.9
# 计算图片在幻灯片上的最佳大小（保持宽高比）
scale_factor = min(available_width / img_width, available_height / img_height)
new_width = img_width * scale_factor
new_height = img_height * scale_factor
print(f" 调整后图片大小: {int(new_width)}x{int(new_height)}")
# 计算图片位置（居中）
left = (prs.slide_width - new_width) / 2
top = (prs.slide_height - new_height) / 2
print(f" 图片位置: ({int(left)}, {int(top)})")
# 确保图片大小合理
if new_width > 0 and new_height > 0:
# 添加图片到幻灯片
slide.shapes.add_picture(
temp_stream,
left,
top,
width=new_width,
height=new_height
)
print(f" ✅ 图片添加成功")
else:
print(f" ❌ 图片大小无效")
except Exception as e:
# 如果图片处理失败，记录详细错误
print(f" ❌ 处理图片时出错: {e}")
import traceback
traceback.print_exc()
pass
# 关闭PDF文档
pdf_document.close()
# 保存PPT文件
prs.save(output_path)
return output_path另外还有多文件选择列表的和排序、删除，都是js的不多说了。
javascript
// 删除文件
function deleteFile(index) {
// 从数组中移除文件
uploadedFiles.splice(index, 1);
// 清空文件列表并重新显示
fileList.innerHTML = '';
uploadedFiles.forEach((fileInfo, idx) => {
displayFile(fileInfo, idx);
});
// 更新执行按钮状态
checkExecuteBtn();
}
// 排序文件（上下移动）
function moveFile(currentIndex, direction) {
if (direction === 'up' && currentIndex > 0) {
// 向上移动
[uploadedFiles[currentIndex], uploadedFiles[currentIndex - 1]] =
[uploadedFiles[currentIndex - 1], uploadedFiles[currentIndex]];
} else if (direction === 'down' && currentIndex < uploadedFiles.length - 1) {
// 向下移动
[uploadedFiles[currentIndex], uploadedFiles[currentIndex + 1]] =
[uploadedFiles[currentIndex + 1], uploadedFiles[currentIndex]];
}
// 重新显示文件列表
fileList.innerHTML = '';
uploadedFiles.forEach((fileInfo, idx) => {
displayFile(fileInfo, idx);
});四、主要依赖
-
Flask>=2.0.0
-
PyPDF2>=2.0.0
-
pdf2docx>=0.5.0
-
openpyxl>=3.0.0
-
python-pptx>=0.6.0
-
PyMuPDF>=1.20.0
-
pdfplumber>=0.6.0
-
Pillow>=8.0.0
-
Wand>=0.6.0
为了兼容Windows7系统上部署使用，用的版本都比较低，python为3.8版本。
五、目录结构
也就这些了，有兴趣的看看，欢迎讨论。