75_Python自动化办公之Word与PDF

Python自动化办公：Word文档与PDF处理实战

文章目录

• Python自动化办公：Word文档与PDF处理实战
• • 前言
  • 一、python-docx：创建与编辑Word文档
  • 二、读取和修改现有Word文档
  • 三、实战：批量生成Word合同
  • 四、PyPDF2：PDF合并、拆分与提取
  • 五、提取PDF文本和元数据
  • [✅ 亮点总结](#✅ 亮点总结)
  • 适用场景
  • 扩展方向

前言

在日常办公中，Word文档的生成与编辑、PDF文件的合并拆分提取是极其常见的需求。无论是自动生成合同、批量修改报告模板，还是整理扫描件PDF，手动操作都耗时耗力，而且容易出错。Python的python-docx 和PyPDF2库让我们能够以编程方式高效完成这些任务，实现真正的"一键自动化"。本文将带你系统学习这两个库的核心用法，从零基础到实战应用全覆盖。

学习建议：自动化办公的核心思路是"模板 + 数据填充"------先将文档的固定格式设计好（Word模板），再用Python程序动态填入变化的数据。这样的效率远高于每次都从零构建整个文档。对于追求高效率的开发者来说，这是一项投入产出比极高的技能。

一、python-docx：创建与编辑Word文档

python-docx是操作Office Open XML格式(.docx)的纯Python库。它不依赖Windows系统上的Word软件，可以在任何平台的服务器上运行------这意味着你写的自动化脚本可以直接部署到Linux服务器上批量处理文档。

pip install python-docx

安装注意 ：python-docx处理的是.docx格式（Office 2007之后的版本），不支持老旧的.doc格式。如果需要处理.doc文件，推荐使用textract库或先将.doc手动转换为.docx。

理解对象模型：Document（文档） → Paragraph（段落） → Run（文本片段）。Run是python-docx中最小的样式单元------同一个段落中，如果前半部分是普通文字、后半部分需要加粗显示，就必须把这两部分分别放到不同的Run中。这是初学者最容易混淆的概念，也是面试中常被问到的知识点。

以下代码演示了从创建文档到添加标题、段落、表格、图片的完整流程：

from docx import Document
from docx.shared import Inches, Pt, RGBColor
from docx.enum.text import WD_ALIGN_PARAGRAPH

doc = Document()

# 添加标题
doc.add_heading("项目计划书", level=1)
doc.add_heading("一、项目背景", level=2)

# 添加段落
paragraph = doc.add_paragraph("这是一个关于Python自动化办公的")
run = paragraph.add_run("示例项目")
run.bold = True
run.font.size = Pt(14)
run.font.color.rgb = RGBColor(0x42, 0x7C, 0xC4)

# 添加带样式的文本
doc.add_paragraph("项目目标：实现办公流程自动化", style="List Bullet")
doc.add_paragraph("预计周期：3个月", style="List Bullet")

# 添加表格
table = doc.add_table(rows=4, cols=3, style="Light Grid Accent 1")
headers = ["阶段", "任务", "负责人"]
for i, header in enumerate(headers):
    table.rows[0].cells[i].text = header

data = [
    ["需求分析", "收集整理需求文档", "张三"],
    ["开发实现", "编码与单元测试", "李四"],
    ["测试上线", "集成测试与部署", "王五"],
]
for i, row_data in enumerate(data, 1):
    for j, value in enumerate(row_data):
        table.rows[i].cells[j].text = value

# 添加图片
doc.add_picture("logo.png", width=Inches(2.0))

doc.save("项目计划书.docx")

代码解读 ：Document() 创建一个空白文档对象，这相当于Word软件中的"新建空白文档"。add_heading() 添加标题，level参数从0到9对应不同的标题层级。add_paragraph() 返回一个Paragraph对象，通过它的 add_run() 方法可以在段落后追加不同样式的文本。add_table(rows=4, cols=3) 创建4行3列的表格------注意这里需要提前知道行列数，后续可以通过表格对象的 add_row() 方法动态追加行。
常见陷阱 ：保存文档时，如果目标文件已被其他程序（如Word软件）打开，会抛出 PermissionError。务必在保存前确保文件未被占用。另外，图片路径建议使用绝对路径，或者确保相对路径在运行脚本的工作目录下正确解析。

二、读取和修改现有Word文档

在实际工作中，我们更多时候是在已有文档模板的基础上做修改，而非从零创建。python-docx提供了完整的读取和遍历文档的能力：

from docx import Document

doc = Document("项目计划书.docx")

# 遍历所有段落
for para in doc.paragraphs:
    print(f"[{para.style.name}] {para.text}")

# 读取表格
for table in doc.tables:
    for row in table.rows:
        cells = [cell.text for cell in row.cells]
        print("\t".join(cells))

# 修改内容并保存
doc.paragraphs[1].text = "（更新版）项目背景"
doc.save("项目计划书_修订版.docx")

遍历技巧 ：doc.paragraphs 返回文档中所有段落的列表，包括标题、正文、空白段落等。需要注意的是，表格中的文字不在 doc.paragraphs 中，需要单独通过 doc.tables 遍历。这也是初学者查找内容时常踩的坑------明明看到表格中有文字，遍历段落却找不到。
实际应用 ：修改模板文档时，常见的做法是在模板中放入占位符（如 {``{甲方}}、{``{金额}}），然后遍历所有段落和表格单元格，用 str.replace() 替换占位符内容。这样模板的设计和数据的填充完全分离，非技术人员也可以独立调整模板样式。

三、实战：批量生成Word合同

这是自动化办公最经典的应用场景之一。假设你需要为几十甚至上百家合作方生成格式一致的合同，手工操作不仅费时，还容易遗漏或出错。下面的代码展示了如何用Python批量生成：

from docx import Document

contracts = [
    {"甲方": "公司A", "乙方": "公司X", "金额": 50000},
    {"甲方": "公司B", "乙方": "公司Y", "金额": 80000},
    {"甲方": "公司C", "乙方": "公司Z", "金额": 120000},
]

for contract in contracts:
    doc = Document()
    doc.add_heading("合作协议", level=1)

    doc.add_paragraph(f"甲方：{contract['甲方']}")
    doc.add_paragraph(f"乙方：{contract['乙方']}")
    doc.add_paragraph(f"合同金额：{contract['金额']:,}元")

    doc.add_paragraph("一、合作内容")
    doc.add_paragraph("双方本着互利共赢的原则，就技术开发项目达成以下合作协议...")

    filename = f"合同_{contract['甲方']}_{contract['乙方']}.docx"
    doc.save(filename)
    print(f"已生成: {filename}")

性能建议 ：当合同数量很大（比如上千份）时，每份都 Document() 然后 save() 的开销不小。优化的思路有两个：一是将模板作为文件复制后打开修改，而不是每次从零创建；二是使用多进程并行处理，充分利用多核CPU。但在实际项目中，数百份以内单进程足以在几秒到一两分钟内完成。
实际痛点：如果合同内容包含复杂的表格嵌套或特定排版，纯用python-docx构建会比较吃力。此时更好的方案是先用Word设计好模板文件，Python只负责打开模板、替换占位符、另存为新文件。这在面试中也经常被问到："如何高效地批量生成复杂格式的Word文档？"

四、PyPDF2：PDF合并、拆分与提取

与Word操作不同，PDF是一种"只读友好"的格式------它主要用于分发和展示，而非编辑。Python处理PDF的库主要分为"创建PDF"和"操作现有PDF"两类。PyPDF2属于后者，专注于对已有PDF文件进行合并、拆分、旋转、元数据提取等操作。

pip install PyPDF2

库的选择 ：Python的PDF库生态比较复杂。PyPDF2 适合基础的合并拆分；pdfplumber 擅长提取表格数据；reportlab 用于从零创建PDF；fpdf2 同样用于创建PDF但API更简单。选择哪个库取决于你的具体需求，不要用一个库做所有事。

合并多个PDF文件：

from PyPDF2 import PdfMerger

merger = PdfMerger()
pdf_files = ["报告_第一部分.pdf", "报告_第二部分.pdf", "报告_第三部分.pdf"]

for pdf in pdf_files:
    merger.append(pdf)

merger.write("合并后的完整报告.pdf")
merger.close()
print("PDF合并完成！")

关键细节 ：merger.append() 将PDF文件追加到合并列表中，顺序决定了最终输出文件的页面顺序。merger.close() 不能省略------它负责写入输出文件并释放资源。如果你忘记调用 close()，输出的PDF文件可能不完整或损坏，这是最常见的bug之一。
进阶用法 ：merger.merge() 方法可以在特定位置插入PDF页面。例如，你要在一份100页报告的"第5页"后插入一页封面，可以使用 merger.merge(5, cover_pdf) 实现精确的页面插入。

拆分PDF（提取指定页码范围）：

from PyPDF2 import PdfReader, PdfWriter

reader = PdfReader("合并后的完整报告.pdf")
total_pages = len(reader.pages)
print(f"文档共 {total_pages} 页")

# 提取前5页另存为新文件
writer = PdfWriter()
for i in range(min(5, total_pages)):
    writer.add_page(reader.pages[i])

with open("前5页摘录.pdf", "wb") as f:
    writer.write(f)

# 按页码分组拆分
for start in range(0, total_pages, 10):
    writer = PdfWriter()
    end = min(start + 10, total_pages)
    for i in range(start, end):
        writer.add_page(reader.pages[i])
    with open(f"拆分_第{start+1}-{end}页.pdf", "wb") as f:
        writer.write(f)

拆分场景：实际工作中拆分PDF有两种意思------按页码范围拆分（如代码所示）和按内容拆分（如"按发票号码将合并的扫描PDF拆分为单张发票"）。后者需要借助OCR或文本提取，单纯靠PyPDF2无法做到。
内存注意 ：reader.pages 会将整个PDF的页面对象加载到内存中。对于数百页的大PDF，内存消耗可以接受；但如果处理数千页的巨型PDF，建议考虑流式处理或分块读取。在实际项目中，100页以内的PDF用PyPDF2完全没问题。

五、提取PDF文本和元数据

from PyPDF2 import PdfReader

reader = PdfReader("合并后的完整报告.pdf")

# 提取元数据
meta = reader.metadata
print(f"标题: {meta.title}")
print(f"作者: {meta.author}")
print(f"页数: {len(reader.pages)}")

# 逐页提取文本
for i, page in enumerate(reader.pages):
    text = page.extract_text()
    print(f"\n--- 第{i+1}页 ---")
    print(text[:200])  # 打印前200字符预览

文本提取的局限 ：extract_text() 提取的文本质量取决于PDF本身的生成方式。如果PDF是从Word/文本转换而来的，提取效果很好；但如果是扫描件生成的图片型PDF，extract_text() 无法提取任何文字------此时需要使用OCR技术（如Tesseract库）配合PyPDF2将图片转换为可编辑文本。
面试场景："如何批量提取大量PDF中的关键信息？"------这道面试题考查的综合能力是：先用PyPDF2遍历PDF页面提取文本，再用正则表达式从文本中匹配日期、金额、合同号等关键字段，最后汇总到Excel中。这是自动化办公中非常典型的ETL流程。

python-docx的API设计直观，通过段落、Run、表格 等核心对象即可完成Word文档的创建与编辑；PyPDF2则提供了PDF合并、拆分、文本提取等基础而实用的功能。两者结合可以实现文档自动化处理的完整闭环。实际工作中，建议将模板文档预先设计好，Python只负责填充数据和生成，这样效率最高且输出质量最稳定。

✅ 亮点总结

• python-docx 的核心对象模型：Document → Paragraph → Run，层级清晰易于理解
• Word 模板填充：通过占位符替换实现批量生成合同、报告、通知书
• PyPDF2 的 PDF 合并、拆分、旋转、元数据提取，覆盖日常 PDF 操作需求
• 表格操作、图片插入、样式设置等进阶功能，满足报告类文档的生成需求

适用场景

• 合同/协议批量生成：用 Python 读取数据表，自动填充 Word 模板生成数百份合同
• 报告自动化：从数据库提取数据，生成带图表和分析文字的月报/年报 Word 文档
• PDF 文档管理：合并扫描件、提取 PDF 中的文本用于全文检索、按页拆分导出

扩展方向

• 学习 reportlab 库，用纯 Python 代码生成高质量的 PDF 文档（无需 Word 模板）
• 探索 pdfplumber 库，获得比 PyPDF2 更强大的 PDF 表格数据提取能力
• 结合 python-pptx 库，进一步实现 PowerPoint 演示文稿的自动化生成