- name
- split-pdf-by-pages
- description
- 将PDF中包含 显示日期 的页面切割成单独的文件，新文件以原文件名_页数命名。当用户需要从PDF中提取包含特定日期标识的页面时使用。
PDF按页切割（含 显示日期 的页面）
扫描PDF每一页，只将包含 显示日期 文本的页面切割成独立的PDF文件，新文件命名格式为：原文件名_p页码.pdf
功能说明
- 扫描PDF每一页的内容
- 只提取包含 显示日期 的页面
- 文件名格式：
原文件名_p页码.pdf - 保留原PDF的所有格式和内容
- 支持批量处理多个PDF文件
使用方法
Python脚本方式
from pypdf import PdfReader, PdfWriter
from pdf2image import convert_from_path
import pytesseract
import os
def extract_text_with_ocr(pdf_path, page_num):
"""
使用OCR从PDF页面提取文字（用于扫描件）
Args:
pdf_path: PDF文件路径
page_num: 页码（从0开始）
Returns:
str: 提取的文字
"""
try:
# 将PDF页面转为图片
images = convert_from_path(pdf_path, first_page=page_num+1, last_page=page_num+1)
if images:
# 使用OCR识别文字
text = pytesseract.image_to_string(images[0], lang='chi_sim')
return text
except Exception as e:
print(f" OCR识别第 {page_num+1} 页时出错: {e}")
return ""
def split_pdf_by_pages(input_path, output_dir=None, keyword="显示日期", use_ocr=False):
"""
将PDF中包含指定关键词的页面切割成多个文件
Args:
input_path: 输入PDF文件路径
output_dir: 输出目录（默认为原文件所在目录）
keyword: 要搜索的关键词，默认为 显示日期
use_ocr: 是否使用OCR识别扫描件，默认为False
Returns:
list: 生成的文件路径列表
"""
# 获取文件信息
input_path = os.path.abspath(input_path)
base_name = os.path.splitext(os.path.basename(input_path))[0]
if output_dir is None:
output_dir = os.path.dirname(input_path)
else:
output_dir = os.path.abspath(output_dir)
os.makedirs(output_dir, exist_ok=True)
# 读取PDF
reader = PdfReader(input_path)
total_pages = len(reader.pages)
output_files = []
matched_pages = []
print(f"正在处理: {os.path.basename(input_path)}")
print(f"总页数: {total_pages}")
print(f"搜索关键词: 显示日期")
if use_ocr:
print("已启用OCR识别（用于扫描件）")
# 先扫描所有页面，找出包含关键词的页面
for page_num in range(total_pages):
page = reader.pages[page_num]
text = page.extract_text() or ""
# 如果文本为空且启用OCR，则使用OCR识别
if not text and use_ocr:
print(f" 第 {page_num + 1} 页无文本，尝试OCR识别...")
text = extract_text_with_ocr(input_path, page_num)
if "显示日期" in text:
matched_pages.append(page_num)
print(f" 第 {page_num + 1} 页包含关键词")
if not matched_pages:
print(f"未找到包含 显示日期 的页面")
return []
print(f"共找到 {len(matched_pages)} 个包含 显示日期 的页面")
# 只切割包含关键词的页面
for page_num in matched_pages:
writer = PdfWriter()
writer.add_page(reader.pages[page_num])
# 生成输出文件名: 原文件名_页码.pdf
output_filename = f"{base_name}_p{page_num + 1}.pdf"
output_path = os.path.join(output_dir, output_filename)
# 写入文件
with open(output_path, 'wb') as output_file:
writer.write(output_file)
output_files.append(output_path)
print(f" 已生成: {output_filename}")
print(f"完成！共生成 {len(output_files)} 个文件")
print(f"输出目录: {output_dir}")
return output_files
def split_pdfs_in_directory(input_dir, output_dir=None, use_ocr=False):
"""
批量处理目录中的所有PDF文件
Args:
input_dir: 输入目录路径
output_dir: 输出目录路径（默认为输入目录下的split子目录）
use_ocr: 是否使用OCR识别扫描件
"""
input_dir = os.path.abspath(input_dir)
if output_dir is None:
output_dir = os.path.join(input_dir, 'split')
else:
output_dir = os.path.abspath(output_dir)
os.makedirs(output_dir, exist_ok=True)
# 查找所有PDF文件
pdf_files = [f for f in os.listdir(input_dir) if f.lower().endswith('.pdf')]
if not pdf_files:
print(f"在 {input_dir} 中未找到PDF文件")
return
print(f"找到 {len(pdf_files)} 个PDF文件")
if use_ocr:
print("已启用OCR识别（用于扫描件）")
print("=" * 50)
all_outputs = []
for pdf_file in pdf_files:
input_path = os.path.join(input_dir, pdf_file)
# 为每个PDF创建子目录
file_output_dir = os.path.join(output_dir, os.path.splitext(pdf_file)[0])
outputs = split_pdf_by_pages(input_path, file_output_dir, use_ocr=use_ocr)
all_outputs.extend(outputs)
print("-" * 50)
print(f"\
全部完成！共生成 {len(all_outputs)} 个文件")
print(f"所有文件保存在: {output_dir}")
return all_outputs
# 使用示例
if __name__ == "__main__":
import sys
if len(sys.argv) < 2:
print("用法:")
print(" python split_pdf.py <PDF文件路径> [输出目录] [--ocr]")
print(" python split_pdf.py --dir <目录路径> [输出目录]")
print()
print("示例:")
print(" python split_pdf.py document.pdf")
print(" python split_pdf.py document.pdf ./output")
print(" python split_pdf.py document.pdf ./output --ocr")
print(" python split_pdf.py --dir ./pdfs")
sys.exit(1)
# 检查是否启用OCR
use_ocr = '--ocr' in sys.argv
if use_ocr:
sys.argv.remove('--ocr')
if sys.argv[1] == '--dir':
# 批量处理目录
input_dir = sys.argv[2]
output_dir = sys.argv[3] if len(sys.argv) > 3 else None
split_pdfs_in_directory(input_dir, output_dir, use_ocr=use_ocr)
else:
# 处理单个文件
input_path = sys.argv[1]
output_dir = sys.argv[2] if len(sys.argv) > 2 else None
split_pdf_by_pages(input_path, output_dir, use_ocr=use_ocr)命令行方式
安装依赖:
# 基础依赖
pip install pypdf
# OCR依赖（用于扫描件PDF）
pip install pdf2image pytesseract
# 安装Tesseract-OCR引擎
# macOS:
brew install tesseract tesseract-lang
# Ubuntu/Debian:
# sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim
# Windows:
# 下载安装包: https://github.com/UB-Mannheim/tesseract/wiki切割单个PDF（普通PDF）:
python split_pdf.py document.pdf切割扫描件PDF（启用OCR）:
python split_pdf.py document.pdf --ocr输出：document_p1.pdf, document_p2.pdf...（仅包含 显示日期 的页面）
指定输出目录:
python split_pdf.py document.pdf ./output批量处理目录:
python split_pdf.py --dir ./pdfs输出示例
输入文件：report.pdf（共5页，其中第2页和第4页包含 显示日期）
处理过程：
正在处理: report.pdf
总页数: 5
搜索关键词: 显示日期
第 2 页包含关键词
第 4 页包含关键词
共找到 2 个包含 显示日期 的页面
已生成: report_p2.pdf
已生成: report_p4.pdf
完成！共生成 2 个文件输出文件：
report_p2.pdf （原第2页，包含 显示日期）
report_p4.pdf （原第4页，包含 显示日期）注意事项
- 依赖安装: 需要安装
pypdf库 (pip install pypdf) - 文件覆盖: 如果输出文件已存在，将被覆盖
- 命名冲突: 同一目录下不要有不同扩展名的同名文件
- 大文件处理: 对于页数很多的PDF，处理时间可能较长
进阶用法
提取指定页面范围
def split_pdf_range(input_path, start_page, end_page, output_path):
"""提取指定页面范围到新PDF"""
reader = PdfReader(input_path)
writer = PdfWriter()
for page_num in range(start_page - 1, end_page):
writer.add_page(reader.pages[page_num])
with open(output_path, 'wb') as output_file:
writer.write(output_file)
print(f"已提取第 {start_page}-{end_page} 页到: {output_path}")
# 示例：提取第3-5页
split_pdf_range('document.pdf', 3, 5, 'document_pages_3_5.pdf')按指定页数分组切割
def split_pdf_by_group(input_path, pages_per_file, output_dir=None):
"""
按指定页数分组切割PDF
例如：每2页一个文件
"""
input_path = os.path.abspath(input_path)
base_name = os.path.splitext(os.path.basename(input_path))[0]
if output_dir is None:
output_dir = os.path.dirname(input_path)
else:
output_dir = os.path.abspath(output_dir)
os.makedirs(output_dir, exist_ok=True)
reader = PdfReader(input_path)
total_pages = len(reader.pages)
file_count = 0
for start in range(0, total_pages, pages_per_file):
writer = PdfWriter()
end = min(start + pages_per_file, total_pages)
for page_num in range(start, end):
writer.add_page(reader.pages[page_num])
file_count += 1
output_filename = f"{base_name}_part{file_count}.pdf"
output_path = os.path.join(output_dir, output_filename)
with open(output_path, 'wb') as output_file:
writer.write(output_file)
print(f"已生成: {output_filename} (第{start+1}-{end}页)")
print(f"完成！共生成 {file_count} 个文件")
# 示例：每3页一个文件
split_pdf_by_group('document.pdf', 3)常见问题
Q: 切割后的PDF文件大小比原文件大？ A: 这是正常现象，因为每个单页文件都包含完整的PDF结构信息。
Q: 如何处理加密的PDF？ A: 需要先解密PDF：
reader = PdfReader('encrypted.pdf')
if reader.is_encrypted:
reader.decrypt('password')Q: 能否保持原PDF的书签和元数据？ A: 基础切割不包含书签，如需保留元数据，需要使用更高级的库如 pikepdf。