sunflowermm/office-pdf

何时使用

.pdf：读内容、并/拆、转 txt、扫面 OCR、加水印、元数据、简单生成。

工具链（按环境选）

| 任务 | 方式 | |------|------| | 读正文 | pdftotext -layout in.pdf out.txt（poppler） | | 读表格 | Python pdfplumber | | 合并/拆分/旋转 | qpdf 或 pypdf | | 扫描 OCR | pdf2image + pytesseract | | 简单生成 | reportlab |

文件均在 Agent 工作区；用 write 写脚本、run 执行、list_files 验收。

Python 片段

# 合并
from pypdf import PdfReader, PdfWriter
w = PdfWriter()
for f in ["a.pdf", "b.pdf"]:
    for p in PdfReader(f).pages: w.add_page(p)
with open("merged.pdf", "wb") as o: w.write(o)

# 表格 → 列表
import pdfplumber
with pdfplumber.open("in.pdf") as pdf:
    for page in pdf.pages:
        for table in page.extract_tables() or []:
            print(table)

命令行

pdftotext -layout input.pdf output.txt
qpdf --empty --pages a.pdf b.pdf -- merged.pdf
qpdf input.pdf --pages . 1-3 -- p1-3.pdf

OCR 扫描件

from pdf2image import convert_from_path
import pytesseract
text = []
for i, img in enumerate(convert_from_path("scan.pdf")):
    text.append(f"--- Page {i+1} ---\n" + pytesseract.image_to_string(img, lang="chi_sim+eng"))
open("ocr.txt", "w", encoding="utf-8").write("\n".join(text))

需系统 Tesseract 中文包；缺失时先告知用户再装依赖。

后续

• 表格要 Excel → office-xlsx
• 纪要 → office-meeting

禁止

• 不编造 PDF 原文
• 不解密受密码保护 PDF，除非用户提供合法密码

缺环境

无 run / 无 pypdf / 无 OCR → office-env-setup（用户粘贴、pdftotext、或说明无法处理扫描件）