本文介绍如何基于pandas dataframe中定义的页面组合，从原始pdf中精准提取对应页码，自动创建50个命名文件夹，每个文件夹内包含仅含指定页的独立pdf文件。
本文介绍如何基于pandas dataframe中定义的页面组合，从原始pdf中精准提取对应页码，自动创建50个命名文件夹，每个文件夹内包含仅含指定页的独立pdf文件。
在实际文档自动化处理中，常需根据结构化元数据（如日期组合、章节标签等）将一份长PDF按不同逻辑切分为多个子PDF。本文提供一套完整、健壮的Python解决方案，使用 PyPDF2 实现页面级精准提取，并结合 os 模块完成目录结构自动生成。
✅ 核心步骤概览
- 定义页面提取函数：接收输入PDF路径、输出PDF路径及目标页码列表（1-indexed）；
- 解析DataFrame中的 file_name 和 file_pages_to_keep 字段；
- 为每一行创建同名文件夹（自动处理空格、逗号、连字符等合法路径字符）；
- 将提取后的PDF保存至对应文件夹，文件名与文件夹名一致。
? 完整可运行代码
import os
import pandas as pd
from PyPDF2 import PdfReader, PdfWriter
# 配置参数
pdf_path = "Documents/menu.pdf"
output_root = "output_folders" # 所有生成文件夹的父目录
pdf_summary = pd.read_csv("pdf_summary.csv") # 假设已加载您的DataFrame
def extract_pages(input_pdf, output_pdf, pages):
"""
从input_pdf中提取指定页码（1-indexed），保存为output_pdf
"""
with open(input_pdf, "rb") as file:
reader = PdfReader(file)
writer = PdfWriter()
for page_num in pages:
if 1 <h3>⚠️ 关键注意事项</h3>
- 页码索引：PyPDF2 使用0-indexed页索引，但本方案对外暴露1-indexed接口（用户按自然页码填写，如 "1,3" 表示第1页和第3页），代码内部自动减1；
- 路径安全：os.makedirs(..., exist_ok=True) 可安全处理重复运行；建议避免 file_name 中含 / : * ? " | 等非法Windows字符（可添加清洗逻辑：re.sub(r'[:"/\|?*]', '_', folder_name)）；
- 错误防护：extract_pages 函数内置页码范围校验，防止越界读取导致静默失败；
-
依赖安装：执行前请确保已安装 PyPDF2>=3.0.0（推荐最新版）：
pip install PyPDF2
? 总结
该方案将结构化业务逻辑（DataFrame中的页面映射关系）与PDF底层操作解耦，具备高复用性——只需修改 pdf_summary 数据源或调整 folder_path 规则，即可适配菜单分发、合同归档、试卷生成等多类场景。最终输出严格遵循预期路径结构：output_folders/{file_name}/{file_name}.pdf，每份PDF仅含指定页面，零冗余、全自动化。
