用 Python 批量处理 PDF 文件：提取文本、按规则命名并检查异常文件

AI智能摘要

面对合同、发票和资料 PDF，逐个打开、改名、分拣既耗时又容易漏掉异常。借助 Python 与开源 pypdf，可批量提取文本，按编号、日期等规则命名，复制成功文件并记录日志，同时将扫描件、加密、损坏、空文本和重复文件送入 review 目录。但它不能替代 OCR 或法律审阅，怎样建立更稳妥的自动化流程？

— 此摘要由AI分析文章内容生成，仅供参考。

如果你经常收到合同、发票或资料 PDF，可以用 Python 把“收集文件、提取文本、生成新名称、分拣异常文件”串成一次批处理。文本型 PDF 通常可以直接读取；扫描件、加密文件、损坏文件和提取结果为空的文件，则应进入异常目录，等待 OCR 或人工复核，而不是强行改名。

这类 PDF 适合直接批量处理吗

PDF 是否能被脚本直接处理，关键不在文件扩展名，而在文件内部是否包含可读取的文本层。

PDF 类型	是否适合直接提取文本	建议处理方式
由 Word、网页或办公软件导出的 PDF	通常可以	直接提取文本并按规则命名
带有可复制文字的合同或发票	通常可以	提取标题、编号、日期或原文件名
扫描仪生成的图片型 PDF	通常不可以	转交 OCR，或人工命名
设置了打开密码的 PDF	取决于是否有密码	提供密码后再处理
损坏、截断或结构异常的 PDF	不稳定	移到异常目录并记录原因
能打开但提取结果为空的 PDF	不一定	视为 OCR 候选文件

本文使用开源的 pypdf 读取 PDF 文本。它适合文件整理和初步分类，但不能替代专业 OCR，也不能判断合同条款是否有效，更不能替代法律审阅。

安装 Python 库并准备目录

安装依赖

先确认已经安装 Python，然后在终端执行：

python -m pip install pypdf

在部分 Windows 环境中，Python 命令可能是 py：

py -m pip install pypdf

建议在一个单独的项目目录中保存脚本，例如：

pdf_batch/
├── batch_rename_pdf.py
├── input/
├── output/
└── review/

三个目录分别用于：

input：放入待处理的 PDF。
output：保存成功提取并完成命名的 PDF。
review：保存加密、损坏、空文本和重复文件等需要检查的 PDF。

脚本默认复制文件，而不是直接移动或覆盖原文件。这样即使命名规则写错，也可以从 input 目录重新处理。

编写批量处理脚本

下面的脚本会完成这些工作：

扫描 input 目录下的 PDF 文件。
尝试提取前几页或全部页面的文本。
根据发票号、合同号和日期等规则生成名称。
无法提取文本时，将文件复制到 review 目录。
对完全相同的文件内容进行标记，避免重复处理。
处理目标文件名冲突，并生成 process_log.csv 日志。

将以下内容保存为 batch_rename_pdf.py：

from __future__ import annotations

import csv
import hashlib
import re
import shutil
from pathlib import Path

from pypdf import PdfReader


BASE_DIR = Path(__file__).resolve().parent
INPUT_DIR = BASE_DIR / "input"
OUTPUT_DIR = BASE_DIR / "output"
REVIEW_DIR = BASE_DIR / "review"
LOG_FILE = BASE_DIR / "process_log.csv"

# 设置为 None 表示读取全部页面。
# 如果文件很多，也可以改为 3，只读取前 3 页。
MAX_PAGES_TO_READ = None


def file_hash(path: Path) -> str:
    """计算文件的 SHA-256，用于识别完全相同的文件。"""
    digest = hashlib.sha256()

    with path.open("rb") as file:
        for chunk in iter(lambda: file.read(1024 * 1024), b""):
            digest.update(chunk)

    return digest.hexdigest()


def clean_filename(value: str, fallback: str = "未命名文件") -> str:
    """清理不适合作为文件名的字符。"""
    value = re.sub(r"s+", " ", value).strip()
    value = re.sub(r'[\/:*?"<>|]+', "_", value)
    value = value.strip(" .")

    return value[:120] if value else fallback


def extract_text(pdf_path: Path) -> tuple[str, str]:
    """
    返回：提取出的文本、状态。
    status 可能是 ok、encrypted、empty 或 error。
    """
    try:
        reader = PdfReader(str(pdf_path), strict=False)

        if reader.is_encrypted:
            # 只尝试处理没有密码的加密文件。
            # 有密码的文件需要额外配置密码，不能猜测或绕过密码。
            decrypt_result = reader.decrypt("")

            if not decrypt_result:
                return "", "encrypted"

        pages = reader.pages
        selected_pages = pages

        if MAX_PAGES_TO_READ is not None:
            selected_pages = pages[:MAX_PAGES_TO_READ]

        text_parts = []

        for page in selected_pages:
            page_text = page.extract_text() or ""
            if page_text.strip():
                text_parts.append(page_text)

        text = "n".join(text_parts).strip()

        if not text:
            return "", "empty"

        return text, "ok"

    except Exception as exc:
        return f"{type(exc).__name__}: {exc}", "error"


def first_match(pattern: str, text: str) -> str | None:
    match = re.search(pattern, text, flags=re.IGNORECASE)
    return match.group(1).strip() if match else None


def build_new_stem(original_stem: str, text: str) -> str:
    """
    按优先级尝试提取：
    1. 发票号码
    2. 合同编号
    3. 日期
    4. 原文件名
    """
    invoice_no = first_match(
        r"(?:发票号码|发票号|Invoices*No.?)s*[:：]?s*([A-Z0-9-]+)",
        text,
    )

    contract_no = first_match(
        r"(?:合同编号|合同号)s*[:：]?s*([A-Z0-9-]+)",
        text,
    )

    date_value = first_match(
        r"(20d{2}[-年/.]d{1,2}[-月/.]d{1,2}日?)",
        text,
    )

    if invoice_no:
        return clean_filename(f"发票_{invoice_no}")

    if contract_no:
        return clean_filename(f"合同_{contract_no}")

    if date_value:
        date_value = re.sub(r"[年月/.]", "-", date_value).replace("日", "")
        return clean_filename(f"资料_{date_value}")

    return clean_filename(original_stem, fallback="未命名文件")


def make_unique_path(directory: Path, stem: str, suffix: str) -> Path:
    """避免不同文件生成相同名称。"""
    candidate = directory / f"{stem}{suffix}"
    counter = 2

    while candidate.exists():
        candidate = directory / f"{stem}_{counter}{suffix}"
        counter += 1

    return candidate


def copy_to_review(pdf_path: Path, reason: str) -> Path:
    target = make_unique_path(REVIEW_DIR, pdf_path.stem, pdf_path.suffix.lower())
    shutil.copy2(pdf_path, target)
    return target


def main() -> None:
    for directory in (INPUT_DIR, OUTPUT_DIR, REVIEW_DIR):
        directory.mkdir(parents=True, exist_ok=True)

    pdf_files = sorted(
        path for path in INPUT_DIR.iterdir()
        if path.is_file() and path.suffix.lower() == ".pdf"
    )

    if not pdf_files:
        print(f"没有在 {INPUT_DIR} 中找到 PDF 文件。")
        return

    rows = []
    seen_hashes: set[str] = set()

    for pdf_path in pdf_files:
        try:
            current_hash = file_hash(pdf_path)
        except Exception as exc:
            rows.append({
                "original": pdf_path.name,
                "result": "",
                "status": "hash_error",
                "reason": str(exc),
            })
            continue

        if current_hash in seen_hashes:
            review_path = copy_to_review(pdf_path, "duplicate_content")
            rows.append({
                "original": pdf_path.name,
                "result": review_path.name,
                "status": "duplicate_content",
                "reason": "与本批次中此前的文件内容完全相同",
            })
            continue

        seen_hashes.add(current_hash)

        text, status = extract_text(pdf_path)

        if status != "ok":
            review_path = copy_to_review(pdf_path, status)
            rows.append({
                "original": pdf_path.name,
                "result": review_path.name,
                "status": status,
                "reason": text if status == "error" else status,
            })
            continue

        new_stem = build_new_stem(pdf_path.stem, text)
        output_path = make_unique_path(
            OUTPUT_DIR,
            new_stem,
            pdf_path.suffix.lower(),
        )

        shutil.copy2(pdf_path, output_path)

        rows.append({
            "original": pdf_path.name,
            "result": output_path.name,
            "status": "ok",
            "reason": "",
        })

    with LOG_FILE.open("w", newline="", encoding="utf-8-sig") as file:
        writer = csv.DictWriter(
            file,
            fieldnames=["original", "result", "status", "reason"],
        )
        writer.writeheader()
        writer.writerows(rows)

    success_count = sum(row["status"] == "ok" for row in rows)
    review_count = len(rows) - success_count

    print(f"处理完成：成功 {success_count} 个，待复核 {review_count} 个。")
    print(f"日志文件：{LOG_FILE}")


if __name__ == "__main__":
    main()

根据你的文件格式修改命名规则

代码中的 build_new_stem() 决定新文件名。当前优先识别：

发票号码：ABC123
发票号: ABC123
合同编号：HT-2024-001
合同号: HT-2024-001
类似 2024-05-18、2024年5月18日 的日期

例如，文本中包含：

合同编号：HT-2024-001

文件可能会被命名为：

合同_HT-2024-001.pdf

如果你的 PDF 使用“项目名称”“客户名称”或“订单号”等字段，可以增加正则规则。例如：

project_name = first_match(
    r"(?:项目名称|项目名)s*[:：]?s*(.+)",
    text,
)

if project_name:
    return clean_filename(f"项目_{project_name}")

规则越具体，误命名的概率越低。建议先用少量样本测试，不要一开始就对数千个文件执行覆盖式改名。

运行脚本并检查结果

在脚本所在目录执行：

python batch_rename_pdf.py

运行结束后，可以检查以下位置：

output/
├── 合同_HT-2024-001.pdf
└── 发票_ABC123.pdf

review/
├── scan_001.pdf
├── encrypted_002.pdf
└── damaged_003.pdf

process_log.csv

process_log.csv 使用 UTF-8 带 BOM 的编码写入，在 Windows 版 Excel 中通常可以直接打开。日志中的 status 字段用于区分处理结果：

ok：成功提取文本并复制到输出目录。
empty：读取成功，但没有得到有效文本。
encrypted：文件需要密码，脚本没有继续处理。
error：读取过程中发生异常。
duplicate_content：文件内容与本批次此前的文件完全相同。
hash_error：读取文件指纹时发生错误。

扫描件为什么不能直接依赖文本提取

扫描型 PDF 的每一页可能只是图片。虽然 PDF 阅读器能显示页面，但页面上没有可供 pypdf 读取的文字对象，因此脚本得到的文本可能为空。

这时可以采用以下流程：

先用本文脚本筛出 empty 文件。
将这些文件交给 OCR 工具处理。
OCR 生成可搜索的 PDF 或文本文件。
再次运行命名脚本。
对合同金额、日期、当事人和编号进行人工复核。

OCR 的识别结果可能受到字体、印章、表格、低分辨率、倾斜页面和手写内容影响。特别是金额、身份证号、银行账号、合同编号等字段，不应只因为 OCR 提取成功就认为内容准确。

常见异常和处理方式

文件能打开，但脚本提示为空

这通常表示文件是扫描件，或者文字以脚本暂时无法解析的方式嵌入。可以先复制到 review 目录，再通过 OCR 处理。

如果只有少数文件异常，也可以直接人工查看并按原文件名整理，不必为了少量文件改造整个流程。

文件被加密

脚本只尝试处理没有设置实际密码的加密文件。对于需要密码的 PDF，你需要：

向文件提供者索取密码；
在得到授权的前提下先解密并另存文件；
将解密后的副本放入 input 目录重新处理。

不要把密码硬编码到脚本中，也不要尝试绕过不属于你的文件权限。

多个文件生成同一个名称

脚本会自动添加 _2、_3 等后缀，例如：

合同_HT-2024-001.pdf
合同_HT-2024-001_2.pdf

这能避免覆盖文件，但也说明命名字段可能不够唯一。你可以把原文件名、客户名称或日期加入规则，减少同名情况。

文件名中出现非法字符

Windows 不允许文件名包含以下字符：

 / : * ? " < > |

脚本会把这些字符替换为下划线，并限制文件名长度。若业务系统对中文或文件名长度有额外限制，可以在 clean_filename() 中进一步调整。

批处理后是否应该删除原文件

不建议脚本自动删除原文件。更安全的做法是：

先保留 input 原件。
检查 output 和 process_log.csv。
随机打开若干份文件，确认内容没有被改变。
确认异常文件已经单独备份后，再由你手动清理输入目录。

适合采用的处理边界

这套 Python 脚本适合处理规则相对稳定、数量较多、需要减少重复命名工作的 PDF，例如：

从邮件或共享目录集中收到的合同；
需要按发票号码归档的票据；
文件名混乱但正文包含固定字段的资料；
需要先分出扫描件和加密文件的资料包。

它不适合直接承担以下任务：

判断合同条款是否合法；
自动确认发票金额是否正确；
在没有授权的情况下解密文件；
对手写内容或复杂表格做可靠识别；
仅凭 OCR 结果决定财务、法律或合规结论。

你可以先用 10 到 20 个样本验证提取结果和命名规则，再扩大到完整目录。把“文本提取成功”和“业务内容确认”分开处理，才能让批量改名真正节省时间，同时避免把 OCR 边界误当成自动审核能力。