↓快轉到主要內容
  1. 教學文章/

PDF 太多份?用 Python 合併、拆分與抽出指定頁

·6 分鐘· loading · loading · ·
Python Pypdf PDF 日常自動化
每日拍拍
作者
每日拍拍
科學家 X 科技宅宅
目錄
Python 學習 - 本文屬於一個選集。
§ 160: 本文

一. 前言:報名資料有三份,卻只能上傳一個檔案
#

申請表、課程說明、附件,各自都是一份 PDF。 網站卻只給你一個上傳欄位。 你也可能遇過相反的情況:一本二十頁的手冊, 只想把其中三頁寄給朋友。

拍拍君今天用 Python 做三件很日常的事:

  • 把兩份 PDF 按指定順序合成一份。
  • 從合併結果抽出一段頁面。
  • 把一份 PDF 拆成一頁一檔。

不用上傳文件到線上轉檔網站,也不用呼叫 AI。 安裝套件後,本文程式都在本機讀寫檔案。 這篇不辨識掃描文字、不改段落內容; 若你要的是「看懂 PDF 裡的欄位」,那是 PDF 文件擷取的另一種任務。

下載完整練習包,解壓縮後進入資料夾, 就能直接跟著做。範例 PDF 都是自製的虛構文件, 每頁有醒目的英文標記,方便確認順序。

二. 安裝:一個套件就能開始
#

準備 Python 3.10 以上版本。 本文使用 python 指令;如果你的系統叫 python3, 請把指令開頭對應替換。

先在練習包解壓縮後的資料夾建立虛擬環境:

python -m venv .venv

macOS、Linux 啟用方式:

source .venv/bin/activate

Windows PowerShell 則是:

.venv\Scripts\Activate.ps1

接著安裝:

python -m pip install pypdf==7.1.1

上面的版本是本文實際測試版本,不代表你必須永遠停在它。 這次只做一般、未加密 PDF 的頁面組裝, 不需要影像模型、OCR 工具或額外的加密套件。

虛擬環境不熟的話,可以先看 Python 環境比較。

三. 先合成一份:最短可用範例
#

練習包裡有兩份輸入:

檔名 頁數 頁面標記
guide.pdf 3 GUIDE 1、GUIDE 2、GUIDE 3
appendix.pdf 2 APPENDIX 1、APPENDIX 2

把以下程式存為 merge_demo.py:

from pathlib import Path
from pypdf import PdfReader, PdfWriter

output = Path("output")
output.mkdir(exist_ok=True)
target = output / "combined.pdf"

with PdfWriter() as writer:
    for filename in ["guide.pdf", "appendix.pdf"]:
        writer.append(filename)
    with target.open("xb") as stream:
        writer.write(stream)

print(f"完成:{target.as_posix()},共 {len(PdfReader(target).pages)} 頁")

執行:

python merge_demo.py

預期得到:

完成:output/combined.pdf,共 5 頁

用 PDF 閱讀器打開 output/combined.pdf。 你應該先看到三頁 GUIDE,再看到兩頁 APPENDIX。

這裡的 append() 是把文件接到後面。 清單第一份就是最先出現的內容; 它不會替你按檔名排序,也不會理解哪份才是封面。 如果附件應該先出現,就交換清單順序。

PdfReader 負責讀取;PdfWriter 負責組裝新文件。 原本兩份 PDF 不會被這段程式改寫。 輸出使用 xb,意思是「建立新的二進位檔案」, 若同名檔已存在會報錯,而不是默默蓋掉昨天的成果。

四. 抽出第 2 到第 4 頁:人類頁碼與程式索引
#

你在閱讀器看到的第一頁,程式用索引 0 表示。 這是 PDF 抽頁最常見的小陷阱。

假設要保留第 2、3、4 頁:

人類說的頁碼 Python 索引
2 1
3 2
4 3

pypdf 的頁面範圍 (start, stop) 不包含 stop。 所以第 2 到第 4 頁對應 (1, 4),不是 (1, 3)。

把以下程式存成 extract_demo.py:

from pathlib import Path
from pypdf import PdfReader, PdfWriter

source = Path("output/combined.pdf")
target = Path("output/selected.pdf")
reader = PdfReader(source)
first, last = 2, 4

if not 1 <= first <= last <= len(reader.pages):
    raise ValueError("頁碼必須在文件範圍內,且起頁不能大於迄頁")

with PdfWriter() as writer:
    writer.append(reader, pages=(first - 1, last))
    with target.open("xb") as stream:
        writer.write(stream)

print(f"抽出第 {first} 到第 {last} 頁,共 {len(PdfReader(target).pages)} 頁")

執行:

python extract_demo.py

預期得到:

抽出第 2 到第 4 頁,共 3 頁

打開 selected.pdf,依序應該看到 GUIDE 2、GUIDE 3、APPENDIX 1。

注意,本文的「第 2 頁」指閱讀器從檔案開頭數的第二張頁面。 如果文件封面沒印頁碼,或前言用羅馬數字編號, 它和紙面上寫的「第 2 頁」可能不是同一頁。 先看縮圖位置,再決定要抽的實際頁序。

五. 拆成一頁一檔:每次建立新的 Writer
#

接著把 combined.pdf 拆成五份。 把以下程式存為 split_demo.py:

from pathlib import Path
from pypdf import PdfReader, PdfWriter

reader = PdfReader("output/combined.pdf")
folder = Path("output/single-pages")
folder.mkdir()  # 已存在就停止,避免混入上一次的拆分結果

for number in range(1, len(reader.pages) + 1):
    target = folder / f"page-{number:03d}.pdf"
    with PdfWriter() as writer:
        writer.append(reader, pages=(number - 1, number))
        with target.open("xb") as stream:
            writer.write(stream)
    print(target.as_posix())

執行後:

python split_demo.py

你會得到:

output/single-pages/page-001.pdf
output/single-pages/page-002.pdf
output/single-pages/page-003.pdf
output/single-pages/page-004.pdf
output/single-pages/page-005.pdf

每一輪都重新建立 PdfWriter() 很重要。 如果把同一個 writer 放在迴圈外一直追加, 第二份輸出可能包含前兩頁,第三份包含前三頁, 就不是「一頁一檔」了。

003 這種補零格式只是為了讓資料夾裡的檔案好排序。 遇到數十頁時,page-010.pdf 不會擠到 page-002.pdf 前面。 想改檔名,可以換掉 page-,不必動抽頁邏輯。

六. 跳著選頁:第 1 頁和最後一頁放一起
#

有時你只需要封面和最後一頁,不是連續區間。 pypdf 也接受一個索引清單。 把這段存成 pick_demo.py:

from pathlib import Path
from pypdf import PdfReader, PdfWriter

reader = PdfReader("output/combined.pdf")
if len(reader.pages) < 2:
    raise ValueError("這個練習需要至少兩頁")

with PdfWriter() as writer:
    writer.append(reader, pages=[0, len(reader.pages) - 1])
    with Path("output/first-last.pdf").open("xb") as stream:
        writer.write(stream)

print("完成:output/first-last.pdf,共 2 頁")

執行 python pick_demo.py,結果應該是 GUIDE 1、APPENDIX 2。 清單順序就是輸出順序;[4, 0] 會先放第五頁,再放第一頁。 不要把「頁碼清單」和「開始、結束區間」混為一談: [1, 4] 是第二頁與第五頁,(1, 4) 才是第二到第四頁。

七. 交出去前,花半分鐘確認成果
#

程式沒有報錯,不代表你選到正確頁面。 拍拍君會依序確認:

  1. 合併檔是 5 頁,抽頁檔是 3 頁。
  2. 合併順序是 GUIDE 在前、APPENDIX 在後。
  3. 抽頁首尾是 GUIDE 2 和 APPENDIX 1。
  4. 單頁資料夾有五份檔案,每份都只有一頁。
  5. 用平常的 PDF 閱讀器看過文字、版面和方向。

你可以用這段快速列出頁數,存為 check_demo.py:

from pathlib import Path
from pypdf import PdfReader

for path in sorted(Path("output").rglob("*.pdf")):
    print(path.as_posix(), len(PdfReader(path).pages))

這只是頁數盤點,不能取代肉眼看內容。 例如兩份都是三頁的文件放反了,總頁數照樣正確。

八. 換成自己的文件時,先記住這些界線
#

重跑出現 FileExistsError? 這是刻意保留的防覆寫設計。 先把前一次的 output 資料夾改名保存,再重跑全部步驟; 或為這次結果換個全新的檔名與輸出資料夾。 不要直接刪除還沒確認過的成果。

路徑找不到? 這些範例從終端機目前所在的資料夾讀取輸入。 先確認你有切進練習包資料夾; 如果改用自己的 PDF,清單中的檔名也要一起修改。 不熟悉路徑,可以接著讀 pathlib 教學。

掃描文件可以合併嗎? 可以把頁面接在一起,但不會憑空長出可搜尋的文字層。 本篇沒有 OCR,也不會把圖片轉成可編輯的段落。

密碼、表單和簽章呢? 本文先用沒有密碼、沒有互動表單的一般文件。 遇到加密檔,先取得合法存取權並依官方文件處理, 不要把錯誤訊息當成文件已經成功讀取。 同名表單欄位可能互相影響,不在這次簡單合併的範圍內。 含數位簽章的文件經重新組裝後,不能假定原簽章依然有效; 正式用途請保留簽署原檔,依收件單位的流程交付。

合併也不是壓縮:新的 PDF 不保證變小。 若網站限制的是容量,而不是檔案數量, 單純把五份接成一份不一定能解決問題。

結語:先把一份正確的文件做出來
#

今天不必寫大型工具,也不必學完整 PDF 格式。 記住 append() 接文件、區間抽頁、每頁一個新 writer, 就能處理很多「只想把這幾頁交出去」的日常需求。

先用練習包確認頁數與順序,再換成自己的資料。 保留原檔、寫到新位置、打開看一眼,這三步比多背幾個 API 更有用。 下次遇到只能上傳一份檔案的表單,就不必重新列印再掃描啦。

延伸閱讀
#

Python 學習 - 本文屬於一個選集。
§ 160: 本文

相關文章

不用一直複製貼上:把網頁表格整理成 CSV
·8 分鐘· loading · loading
Python BeautifulSoup HTML CSV 日常自動化
照片太大寄不出去?用 Python 批次縮圖與壓縮
·8 分鐘· loading · loading
Python Pillow 照片縮圖 圖片壓縮 日常自動化
不想再複製貼上:用 Python 合併多個 Excel 表格
·8 分鐘· loading · loading
Python Openpyxl Excel 辦公室自動化
Python subprocess 超時治理:POSIX Process Group、升級終止與輸出收尾
·7 分鐘· loading · loading
Python Subprocess POSIX Process Groups Timeout Testing
Python SQLite 線上備份:WAL、Connection.backup 與還原驗收
·7 分鐘· loading · loading
Python SQLite WAL Backup Restore Testing
Polars Pivot / Unpivot:長寬表轉換、重複鍵與 Round-trip 契約
·7 分鐘· loading · loading
Python Polars Pivot Unpivot Data-Contracts Testing