《Python 从入门到精通》153|批量处理 Word 与 PDF:文档自动化的常见思路

一、文档自动化，真正难的往往不是技术，而是重复

办公自动化里，Excel 很常见，但 Word 和 PDF 也同样高频。

合同是 Word 或 PDF。 通知书是 Word。 报告是 Word。 制度文件是 PDF。 发票、回执、盖章扫描件、归档资料，很多也都是 PDF。

这些文档类工作，最让人疲惫的地方通常不是“不会做”，而是：

内容差不多 格式差不多 每次只改少量字段 文件数量很多 而且还要一份一份打开处理

比如这些真实场景：

批量生成录取通知书 按名单批量生成劳动合同 把一批 Word 报告统一转成 PDF 从 PDF 中提取页数、标题、关键词 批量合并多个 PDF 给一批 PDF 重新命名、分类归档 从 Word 模板里替换客户名、日期、金额 把 Excel 里的数据填进 Word 模板生成正式文档

这些工作，只要量一大，人就会变成复制粘贴机器。 而 Python 在这种“规则明确、内容批量生成、文件反复处理”的场景里，非常有价值。

二、先分清两个问题：你是在处理内容，还是处理文件

批量处理 Word 和 PDF，思路上最好先分成两层。

第一层，文件层面。 你关心的是：

有哪些文件 文件名是什么 放在哪个文件夹 要不要批量改名 要不要移动、复制、归档 要不要合并、拆分

第二层，内容层面。 你关心的是：

文档里的文字是什么 要不要替换变量 要不要批量生成正文 要不要抽取某些字段 要不要新增段落、表格、页眉页脚 要不要从 PDF 里提取文字

很多人一上来就扑到“怎么生成 Word”。 其实更实战的思路是先想清楚：

我要自动化的是文件流转，还是文档内容本身。 这两者常常会同时出现，但技术重点不一样。

三、处理 Word 和 PDF，最常见的几类任务

你以后做文档自动化，基本绕不开下面这些类型。

第一类，批量生成。 用模板生成很多 Word 文档或 PDF 文档。

第二类，批量修改。 对已有文档做统一替换、补充、删除、改名。

第三类，批量提取。 从一批 Word 或 PDF 中提取文字、页数、标题、编号、表格信息。

第四类，批量转换。 Word 转 PDF，PDF 拆分，多个 PDF 合并成一个。

第五类，批量归档。 按照规则重命名、分类、移动、归档。

这五类任务几乎覆盖了大多数办公文档自动化场景。 你以后碰到新需求，往往也能先归到这几类里，再决定用什么库、怎么写。

四、处理 Word，最常见的库是 python-docx

如果你要操作 .docx 文件，最常见的库就是 python-docx。

安装：

python -m pip install python-docx

导入：

from docx import Document

这个库特别适合做这些事：

创建 Word 文档 新增标题、段落、表格 读取已有 Word 内容 替换部分文本 设置基础样式 批量生成统一格式文档

注意一个很现实的点：

它主要处理的是 .docx，不是老式 .doc。 所以如果公司里还保留很多旧版 Word 文件，往往要先转换成 .docx 再处理会更稳。

五、最基础的 Word 生成：从零创建一个文档

看一个最简单例子：

from docx import Documentdoc = Document()doc.add_heading("员工入职通知", level=1)doc.add_paragraph("张三，欢迎加入本公司。")doc.add_paragraph("请于 2025-02-01 到人事部办理入职手续。")doc.save("入职通知.docx")

这段代码做了几件事：

创建一个 Word 文档 加一个一级标题 加两段正文 保存成 docx 文件

这就是最基础的“程序生成 Word”。

如果你平时是手工打开 Word、输入标题、复制模板、改人名、再另存为，那么你已经能感觉到这类脚本的价值了。

六、批量生成 Word，本质上就是模板加变量

绝大多数 Word 自动化生成任务，其实不是“从零自由写作”，而是：

有一套固定模板 里面有几个变量 把变量批量替换进去 生成很多份正式文档

比如员工通知：

姓名 日期 部门 岗位

每个人不一样，但整体结构一样。

你可以先用最简单的拼接方式生成：

from docx import Documentemployees = [    {"姓名": "张三", "部门": "市场部", "入职日期": "2025-02-01"},    {"姓名": "李四", "部门": "运营部", "入职日期": "2025-02-03"},    {"姓名": "王五", "部门": "财务部", "入职日期": "2025-02-05"},]for emp in employees:    doc = Document()    doc.add_heading("员工入职通知", level=1)    doc.add_paragraph(f"{emp['姓名']}，欢迎加入本公司。")    doc.add_paragraph(f"你将入职 {emp['部门']}，请于 {emp['入职日期']} 到人事部办理手续。")    doc.save(f"{emp['姓名']}_入职通知.docx")

这已经能批量生成三份 Word 文件了。

你会发现，这类自动化的核心根本不是 Word 本身有多难，而是：

把固定内容和变化内容拆开。 固定内容进模板。 变化内容来自数据。 然后让程序批量循环。

七、如果数据来自 Excel，Word 批量生成会更像真实办公

前面的员工数据是手写在代码里的。 现实里，更常见的是从 Excel 读名单，再生成 Word。

比如：

import pandas as pdfrom docx import Documentdf = pd.read_excel("员工名单.xlsx")for _, row in df.iterrows():    doc = Document()    doc.add_heading("员工入职通知", level=1)    doc.add_paragraph(f"{row['姓名']}，欢迎加入本公司。")    doc.add_paragraph(f"你将入职 {row['部门']}，请于 {row['入职日期']} 到人事部办理手续。")    doc.save(f"{row['姓名']}_入职通知.docx")

这条链路非常典型：

Excel 提供数据 Python 读取数据 Word 负责输出正式文档

很多公司的通知书、证明、回执、报告封面，本质上都能按这个套路自动生成。

八、Word 不只是段落，还经常涉及表格

办公文档里，很多内容不是纯文字，而是表格。

比如日报、月报、清单、明细、签收表、对账单。 这时候就会用到 add_table()。

示例：

from docx import Documentdoc = Document()doc.add_heading("销售汇总表", level=1)table = doc.add_table(rows=1, cols=3)header_cells = table.rows[0].cellsheader_cells[0].text = "商品"header_cells[1].text = "销量"header_cells[2].text = "销售额"data = [    ["苹果", "120", "600"],    ["香蕉", "150", "450"],    ["橙子", "90", "360"]]for item in data:    row_cells = table.add_row().cells    row_cells[0].text = item[0]    row_cells[1].text = item[1]    row_cells[2].text = item[2]doc.save("销售汇总表.docx")

这个例子说明：

程序不只是能写段落，也能生成结构化表格。 这在日报、统计表、结果通知里非常有用。

九、读取 Word 文档内容，也很常见

除了生成文档，有时你还要从已有 Word 文件里提取文字。

最基础的读取方式：

from docx import Documentdoc = Document("通知.docx")for para in doc.paragraphs:    print(para.text)

这会把文档中的段落文字一段一段打印出来。

这适合什么场景。

比如：

检查一批 Word 是否包含某个关键词 提取文档中的固定字段 做简单内容审查 统计某些模板是否填写完整

不过要注意，Word 文档里的结构可能比较复杂。 正文、表格、页眉页脚、文本框不一定都能用同一套简单方式读取全。 所以实际提取时，要先明确自己到底要抓哪部分内容。

十、Word 的内容替换，没有你想得那么无脑

很多人一想到 Word 自动化，第一反应就是：

把模板里的“姓名”替换掉不就行了。

方向没错，但实际中要注意一个坑：

Word 里的文本在底层不一定是整段连续存储的。 有些看起来连续的一句话，内部可能被拆成多个 run。 尤其当一段文字中间改过字体、颜色、加粗、下划线时，更容易被拆。

所以如果你只是做简单场景，先用段落整体替换可以试：

from docx import Documentdoc = Document("模板.docx")for para in doc.paragraphs:if"{姓名}"in para.text:        para.text = para.text.replace("{姓名}", "张三")doc.save("替换后.docx")

这种写法在简单模板里常常够用。 但如果模板格式复杂，直接替换 para.text 可能会导致原有局部样式丢失。 这也是为什么真实项目里，模板设计往往要尽量简化变量所在区域，避免过于花哨。

十一、做 Word 模板，最实用的思路是预留占位符

比如在模板中写：

{姓名}{部门}{日期}{金额}

然后程序批量替换这些占位符。

这类模板思路非常重要，因为它能把“内容设计”和“程序生成”分开。

写模板的人只管把文档排版好。 写脚本的人只管把变量填进去。

一个简单示例：

from docx import Documentdata = {"{姓名}": "张三","{部门}": "市场部","{日期}": "2025-02-01"}doc = Document("通知模板.docx")for para in doc.paragraphs:for old, new in data.items():if old in para.text:            para.text = para.text.replace(old, new)doc.save("张三_通知.docx")

这个模式特别实用。 因为一旦模板设计合理，后面批量生成就会非常顺。

十二、处理 PDF，和处理 Word 的思路不太一样

Word 更像“可编辑文档”。 PDF 更像“定稿文档”。

也就是说：

Word 更适合生成、修改、填模板 PDF 更适合阅读、归档、拆分、合并、提取

这决定了你处理 PDF 时，常见需求通常和 Word 不同。

最常见的 PDF 任务有：

读取页数 合并多个 PDF 拆分 PDF 提取文字 按页保存 批量重命名 分类归档

如果你想改 PDF 内容本身，那通常比 Word 麻烦得多。 因为 PDF 从设计目标上，就不是为“方便修改”而生的。

十三、处理 PDF 最常见的基础库之一：PyPDF2

安装：

python -m pip install PyPDF2

导入：

from PyPDF2 import PdfReader, PdfWriter

它很适合做这些基础动作：

读 PDF 看页数 按页拆分 合并 PDF 提取部分文本

先看最简单的读取页数：

from PyPDF2 import PdfReaderreader = PdfReader("合同.pdf")print("页数：", len(reader.pages))

这类操作在文档归档、检查完整性时很实用。

十四、提取 PDF 文字，要先接受一个现实：不是所有 PDF 都能顺利提

很多人一听“提取 PDF 文字”，以为像读 txt 一样简单。 现实里要分情况。

如果 PDF 本质上是文本型 PDF，也就是里面真有文字层，通常能提得比较顺。 如果 PDF 本质上是扫描图片型 PDF，那直接提取往往拿不到真正文本，得走 OCR 路线。

先看普通文本型 PDF 提取：

from PyPDF2 import PdfReaderreader = PdfReader("报告.pdf")for page in reader.pages:    text = page.extract_text()    print(text)

这能处理一部分常见 PDF。 但如果遇到提取结果换行乱、表格散、中文粘连、顺序奇怪，也别太意外。 PDF 文字提取，本来就比 Word 难搞。

所以你以后做 PDF 提取时，先问自己一句：

这个 PDF 是文字型，还是扫描型。 这个判断特别重要。

十五、合并多个 PDF，是高频中的高频

比如你有多个 PDF：

封面.pdf 正文.pdf 附件.pdf

想合成一个文件。 这时可以这样做：

from PyPDF2 import PdfMergermerger = PdfMerger()merger.append("封面.pdf")merger.append("正文.pdf")merger.append("附件.pdf")merger.write("完整报告.pdf")merger.close()

如果你要批量把一个文件夹里的 PDF 合并：

from PyPDF2 import PdfMergerfrom pathlib import Pathfolder = Path("报告文件")merger = PdfMerger()for file in sorted(folder.glob("*.pdf")):    merger.append(str(file))merger.write("合并结果.pdf")merger.close()

这类脚本在报告归档、合同合订、资料打包时特别常见。

十六、拆分 PDF，也非常常用

有时不是合并，而是要拆。

比如一个 50 页 PDF，要拆成单页文件，或者提取其中几页。 这时可以用 PdfWriter。

提取前两页：

from PyPDF2 import PdfReader, PdfWriterreader = PdfReader("大文件.pdf")writer = PdfWriter()for i in range(2):    writer.add_page(reader.pages[i])with open("前两页.pdf", "wb") as f:    writer.write(f)

如果想把每一页拆成一个单独文件：

from PyPDF2 import PdfReader, PdfWriterreader = PdfReader("大文件.pdf")for i, page in enumerate(reader.pages, start=1):    writer = PdfWriter()    writer.add_page(page)with open(f"第{i}页.pdf", "wb") as f:        writer.write(f)

这种操作在合同拆页、扫描件分页、资料拆分时很实用。

十七、批量重命名和归档 PDF，往往比“修改内容”更实用

很多办公室里的 PDF 自动化，根本不需要动文档内容。 更常见的是：

按规则重命名 按客户名归档 按日期分类 按页数筛出异常文件

这种情况下，文件系统操作往往比 PDF 内容处理更重要。

比如把所有 PDF 统一改名：

from pathlib import Pathfolder = Path("发票")for index, file in enumerate(folder.glob("*.pdf"), start=1):    new_name = f"发票_{index}.pdf"    file.rename(folder / new_name)

按文件名中的日期归档：

from pathlib import Pathimport shutilfolder = Path("合同")target = Path("归档")target.mkdir(exist_ok=True)for file in folder.glob("*.pdf"):    year = file.name[:4]    year_folder = target / year    year_folder.mkdir(exist_ok=True)    shutil.copy(file, year_folder / file.name)

你会发现，很多 PDF 自动化真正值钱的地方，不是“操作 PDF 内部结构”，而是围绕 PDF 做批量文件流转。

十八、Word 转 PDF，通常是办公自动化里很现实的需求

很多正式文件最终要发 PDF。 原因很简单：

格式不容易乱 别人打开更方便 更适合归档和打印

所以现实里经常出现这种需求：

先批量生成 Word 再统一转成 PDF

但这里要说一个很现实的点：

纯 Python 直接“高质量、稳定地跨平台把 Word 转 PDF”，并不是所有环境下都同样简单。 很多时候会依赖本机安装的 Office、系统环境，或者借助其他工具链。

在 Windows 办公环境里，常见思路之一是调用本机 Word 程序完成转换。 如果环境允许，这类方案很实用。 但它依赖办公软件环境，不像读写文本那样完全纯脚本化。

所以你要建立一个现实预期：

Word 生成很适合 Python PDF 拆并提取很适合 Python Word 转 PDF 能做，但常常和本机办公环境强相关

这类需求做项目时，通常要先确认部署环境。

十九、一个典型实战链路：Excel 名单 + Word 模板 + PDF 归档

这是很多办公室里非常有代表性的自动化套路。

第一步，从 Excel 读取名单和字段 第二步，把数据填进 Word 模板 第三步，生成一批 Word 文件 第四步，必要时转成 PDF 第五步，按部门、日期或姓名归档

这个链路为什么重要。

因为它说明，文档自动化几乎从来不是单点操作。 它常常是：

Excel 提供数据 Word 提供模板 PDF 提供交付格式 文件夹提供归档结构

而 Python 的强项，恰恰在于它能把这些环节串起来。

二十、做文档自动化时，最该先想清楚的是模板和规则

很多人一上来就问：

这个库怎么调 那个对象怎么改

其实文档自动化里，真正决定项目成败的，经常不是代码细节，而是前期规则设计。

比如你要先想清楚：

模板是否统一 占位符怎么写 变量来源在哪 输出文件名规则是什么 文件存放目录规则是什么 是否要保留原文件 是否需要失败重试 是否需要日志记录 是否要给人二次检查

这些问题如果前面不理顺，后面代码会越写越乱。 所以做文档自动化，最好先把“人工作业流程”翻译成“规则流程图”，再写代码。

二十一、文档自动化里，最容易踩的几个坑

1. 把 Word 模板做得过于复杂

变量拆在很多格式片段里，替换时很容易出问题。 模板越规整，程序越稳定。

2. 指望 PDF 像 Word 一样好改

PDF 更适合提取、合并、拆分、归档，不适合做复杂正文修改。

3. 文件名规则混乱

批量生成后，如果命名规则不统一，后续归档和查找会很痛苦。

4. 一上来直接覆盖原文件

脚本没跑稳之前，最好输出到新目录，别直接动原件。

5. 提取 PDF 文字时没先判断是不是扫描件

扫描型 PDF 往往提不出真正文字，要走 OCR。

6. 只关注代码，不关注模板设计

很多问题不是代码不会，而是模板设计不适合自动化。

二十二、什么时候优先选 Word，什么时候优先选 PDF

如果你是要生成、填写、修改、编辑内容，优先想到 Word。 如果你是要交付、归档、拆分、合并、提取页数，优先想到 PDF。

再说直白一点：

要“写”，多半先选 Word。 要“发”和“存”，多半最后是 PDF。

这也是很多自动化流程会同时碰到二者的原因。

二十三、这一章最该记住的不是几个库名，而是一套文档自动化思路

先判断是处理内容还是处理文件。 再判断对象是 Word 还是 PDF。 如果是 Word，优先想模板、变量、批量生成。 如果是 PDF，优先想提取、合并、拆分、归档。 如果数据来自 Excel，就把 Excel 当数据源。 如果最终要交付，就把 PDF 当结果格式。 如果需求复杂，就把流程拆开，一步一步串起来。

这套思路一旦建立起来，你以后面对文档自动化任务，就不会只剩“手工点一遍”这一条路。

二十四、本章要点整理

批量处理 Word 与 PDF，核心目标通常是生成、修改、提取、转换和归档。 处理 Word 最常用的库之一是 python-docx，适合创建文档、添加段落、表格、读取文本和做简单模板替换。 处理 PDF 常用 PyPDF2 等工具，适合读取页数、提取文字、合并 PDF、拆分 PDF。 Word 更适合可编辑内容的生成与修改，PDF 更适合定稿、交付、归档和拆并处理。 真实文档自动化往往不是单点任务，而是和 Excel 数据源、文件命名规则、归档目录一起构成完整流程。 文档自动化真正的关键，不只是会用库，而是先把模板、字段、命名和流程规则设计清楚。