PDF 文档处理 Skill

在 Termux Android 上使用轻量工具处理 PDF 文件。

可用工具

方案 A: pdf-lib (Node.js 纯 JS, 推荐)

npm install pdf-lib

方案 B: Python + PyPDF2 / pypdf

pip install pypdf

方案 C: poppler (系统工具，Termux 可用)

pkg install poppler
# pdftotext, pdfinfo, pdfimages, pdfseparate, pdfunite

常见操作

1. 提取文本

# Python + pypdf
from pypdf import PdfReader
reader = PdfReader('input.pdf')
for page in reader.pages:
    print(page.extract_text())

# 系统工具 (poppler)
pdftotext input.pdf output.txt

2. 合并 PDF 文件

from pypdf import PdfWriter
writer = PdfWriter()
for pdf in ['file1.pdf', 'file2.pdf']:
    reader = PdfReader(pdf)
    for page in reader.pages:
        writer.add_page(page)
writer.write('merged.pdf')

pdfunite file1.pdf file2.pdf merged.pdf

3. 拆分 PDF (提取指定页)

reader = PdfReader('input.pdf')
writer = PdfWriter()
for i in range(start_page, end_page):  # 0-indexed
    writer.add_page(reader.pages[i])
writer.write('output.pdf')

4. 添加文字/水印

// Node.js + pdf-lib
import { PDFDocument, StandardFonts, rgb } from 'pdf-lib'
const doc = await PDFDocument.load(fs.readFileSync('input.pdf'))
const font = await doc.embedFont(StandardFonts.Helvetica)
const pages = doc.getPages()
const page = pages[0]
page.drawText('CONFIDENTIAL', { x: 50, y: 50, font, size: 48, color: rgb(0.8,0,0), opacity: 0.3 })
fs.writeFileSync('output.pdf', await doc.save())

5. 提取图片

pdfimages -j input.pdf images_output/

注意事项

• 📐 处理中文 PDF 时，pypdf 提取中文文本可能乱码，优先用 pdf-lib
• ⚠️ 扫描版 PDF（图片式）无法提取文本，需 OCR（用 tesseract）
• 📏 合并大文件注意内存占用，逐页流式处理
• 🔄 pdf-lib 的 save() 返回 Buffer，写入时用 fs.writeFileSync
• 💾 操作前先备份原文件