Python批量填写与提取PDF表单数据的代码实现

脚本专家

PDF表单（AcroForm）在办公自动化中常被用作合同模板或报表模板。通过Python可以批量填写这些表单字段，也可以从已填写的表单中提取数据。本文使用pdfplumber和PyPDF2两个库，给出可复用的批量处理代码。

## 环境准备

安装依赖：

2. pip install pdfplumber PyPDF2 pandas openpyxl

复制代码

## 案例一：批量填写PDF表单

### 1. 查看表单字段结构

在填写前，需要知道模板中有哪些字段。使用pdfplumber可以遍历注释（annotations）获取字段名：

2. import pdfplumber
4. def inspect_form_fields(pdf_path):
5.     """查看PDF表单字段名称与类型"""
6.     with pdfplumber.open(pdf_path) as pdf:
7.         for i, page in enumerate(pdf.pages):
8.             annotations = page.annots
9.             if annotations:
10.                 print(f"第 {i+1} 页表单字段:")
11.                 for ann in annotations:
12.                     print(f" - {ann.get('name', '未命名')}: 类型={ann.get('subtype', '')}")

复制代码

运行后输出字段名列表，后续填写时需要使用完全一致的字段名称。

### 2. 单份填写函数

使用PyPDF2的PdfWriter更新表单字段值：

2. from PyPDF2 import PdfReader, PdfWriter
4. def fill_pdf_form(template_path, output_path, data_dict):
5.     """
6.     填写单个PDF表单
7.     :param template_path: 模板PDF路径
8.     :param output_path: 输出PDF路径
9.     :param data_dict: 字段名→值的字典
10.     """
11.     reader = PdfReader(template_path)
12.     writer = PdfWriter()
13.     writer.add_page(reader.pages[0])
14.     writer.update_page_form_field_values(writer.pages[0], data_dict)
15.     with open(output_path, "wb") as f:
16.         writer.write(f)

复制代码

### 3. 批量生成合同

假设有一份Excel数据源，包含“客户名称”、“金额”、“签订日期”、“合同编号”等列，每行对应一份合同。读取Excel并循环生成：

2. import pandas as pd
3. import os
5. def batch_fill_forms(template_path, excel_path, output_dir):
6.     os.makedirs(output_dir, exist_ok=True)
7.     df = pd.read_excel(excel_path)
8.     for _, row in df.iterrows():
9.         data = {
10.             "name": row["客户名称"],
11.             "amount": str(row["金额"]),
12.             "date": str(row["签订日期"]),
13.             "contract_no": row["合同编号"]
14.         }
15.         output = os.path.join(output_dir, f"合同_{row['客户名称']}.pdf")
16.         fill_pdf_form(template_path, output, data)
17.         print(f"已生成: {output}")

复制代码

## 案例二：提取PDF表单数据

### 1. 提取已填写的表单字段

使用PyPDF2的get_form_text_fields()可以获取所有可填写字段的当前值：

2. def extract_form_data(pdf_path):
3.     reader = PdfReader(pdf_path)
4.     fields = reader.get_form_text_fields()
5.     print("表单字段提取结果:")
6.     for field_name, value in fields.items():
7.         print(f"  {field_name}: {value}")
8.     return fields

复制代码

批量处理多个PDF并将结果汇总为Excel：

2. def batch_extract(pdf_dir, output_excel):
3.     all_data = []
4.     for f in os.listdir(pdf_dir):
5.         if f.endswith(".pdf"):
6.             fields = extract_form_data(os.path.join(pdf_dir, f))
7.             fields["来源文件"] = f
8.             all_data.append(fields)
9.     if all_data:
10.         df = pd.DataFrame(all_data)
11.         df.to_excel(output_excel, index=False)
12.         print(f"共提取 {len(all_data)} 份表单: {output_excel}")

复制代码

### 2. 提取不可填写表格（文字型PDF）

对于不含AcroForm的PDF（例如文字型报表），可以使用pdfplumber提取表格数据：

2. def extract_table_from_scanned(pdf_path):
3.     with pdfplumber.open(pdf_path) as pdf:
4.         all_tables = []
5.         for i, page in enumerate(pdf.pages):
6.             tables = page.extract_tables()
7.             for table in tables:
8.                 if table and len(table) > 1:
9.                     df = pd.DataFrame(table[1:], columns=table[0])
10.                     all_tables.append(df)
11.                     print(f"第{i+1}页找到表格: {len(table)}行")
12.         if all_tables:
13.             return pd.concat(all_tables, ignore_index=True)
14.     return None

复制代码

### 3. 完整处理流水线

将上述步骤组合成一个每日自动执行的流程：

2. def daily_pdf_pipeline():
3.     print("开始PDF处理...")
4.     form_data = extract_form_data("日报表.pdf")
5.     print(f"提取到 {len(form_data)} 个字段")
6.     table_df = extract_table_from_scanned("明细.pdf")
7.     if table_df is not None:
8.         table_df.to_excel("提取数据.xlsx", index=False)
9.         print(f"导出 {len(table_df)} 行数据")
10.     # 后续可加入汇总报告生成逻辑
11.     print("处理完成!")

复制代码

## 注意事项

1. PDF表单必须为AcroForm格式，非扫描件。如果模板是扫描图片，需先OCR识别。
2. 批量处理前务必用单个文件测试，确认字段名与Excel列名对应无误。
3. 中文字体需要嵌入到PDF中，否则填写后显示为方框。
4. PyPDF2的update_page_form_field_values对非ASCII字段名可能有限制，建议字段名使用英文。

通过以上代码，可以快速搭建批量PDF表单处理工具。在实际项目中，可根据需求扩充异常处理和日志记录。

热心网友6

感谢楼主的详细分享！代码非常清晰实用，特别是预处理查看字段结构的部分，能避免字段名对不上的坑。批量生成合同和提取数据两个方向正好覆盖了日常办公中PDF表单操作的核心需求。我试了一下，遇到一个小问题：如果模板PDF有多个页面，update_page_form_field_values 是不是只更新了第一页？还是需要迭代所有页面才能把数据填到每一页的相同字段里？另外，对于下拉列表或复选框这类非文本字段，写法上需要注意什么吗？期待后续能补充更多场景的适配技巧！

热心网友6

感谢楼主的分享，代码很清晰，对于处理PDF表单的批量操作非常实用。有一个小问题想问一下：在案例二的 `extract_form_data` 里用了 `get_form_text_fields()`，但某些PDF里的字段可能是单选/复选框或数字签名，这个函数能正确获取吗？还是说需要额外处理？另外，如果遇到中文字段名或中文内容，PyPDF2 会不会有编码方面的问题？期待后续补充。

热心网友6

感谢脚本专家的分享，这套代码非常实用，正好解决了我最近批量处理合同表单的需求。特别是`inspect_form_fields`这个函数，以前我总得手动打开PDF属性查找字段名，现在可以直接打印出来，方便多了。 想请教一个细节：在使用PyPDF2的`update_page_form_field_values`时，如果模板中有复选框或下拉列表，data_dict里的值应该怎么传？直接传字符串就能自动匹配选项吗？另外，对于带中文的字段值，是否需要注意编码或字体问题？ 期待您的进一步指点，也欢迎大家交流实际使用中的踩坑经验。