ARTICLE · 1277163

PDF 拆成单页:24 页 0.7 秒拆完,自动起名

发布时间：2026-10-30 10:44:14 最近访问：2026-10-30 10:44:15

你是不是也这样：月底报销，财务在群里扔来一个 24 页的 PDF，让你把它拆成单页，一张票一个文件、文件名还得写清楚是什么票。

我写了个 39 行的脚本跑了一遍：24 页变成 24 个文件，0.70 秒，其中 20 个文件名是它自己看着票面起好的。

照着做，五分钟跑通，以后任何 PDF 拆成单页都能直接扔给它。

先看效果

24 个方块就是 24 个文件。蓝色那 20 个，打开文件夹就知道哪张是哪张——名字长这样：01_出租车发票_58.00元.pdf。

橙色那 4 页是手机拍的纸质票，PDF 里根本没有文字层，脚本读不到一个字，只能存成 03_扫描件_需人工确认.pdf。

这个 4 不是 bug，是这套方法的天花板，也是它最诚实的地方：能自动的自动，不能自动的老实标出来让你看。

手动做同样的事，24 页等于 24 次右键「另存为」加 24 次按 F2 改名。按一页 20 秒算，一轮下来少说 8 分钟，而且下个月报销还得再来一遍。

准备工作：装 1 个库，准备 1 份 PDF

Python 3.8 以上，pip install pypdf——整篇只依赖这一个库
一份多页 PDF，放在脚本同一个文件夹里
把脚本第 7 行的 SRC 改成你的文件名
不用装 Office，不用联网，不用注册任何账号

上代码

# -*- coding: utf-8 -*-"""把一份多页 PDF 拆成单页，并按每页抬头自动命名。依赖：pip install pypdf"""import re, timefrom pathlib import Pathfrom pypdf import PdfReader, PdfWriterSRC = Path("10月报销票据汇总.pdf")   # ← 换成你的 PDFOUT = Path("拆分结果")defmake_name(text, idx):"""把一页的文字变成 Windows 合法文件名"""    lines = [l.strip() for l in text.splitlines() if l.strip()]    title = lines[0] if lines else"扫描件_需人工确认"    money = next((l for l in lines if"金额（小写）"in l), "")    money = re.sub(r".*?￥", "", money)          # 只留数字部分    raw = f"{idx:02d}_{title}_{money}元"if money elsef"{idx:02d}_{title}"return re.sub(r'[\\/:*?"<>|\s]+', "_", raw)[:60] + ".pdf"OUT.mkdir(exist_ok=True)reader = PdfReader(SRC)t0 = time.perf_counter()auto = scan = 0for idx, page inenumerate(reader.pages, 1):    text = page.extract_text() or""# 没有文字层就是空串    writer = PdfWriter()                        # 一页一个 writer    writer.add_page(page)    writer.write(OUT / make_name(text, idx))if text.strip():        auto += 1else:        scan += 1cost = time.perf_counter() - t0files = list(OUT.glob("*.pdf"))total_mb = sum(f.stat().st_size for f in files) / 1024 / 1024print(f"原文件 {len(reader.pages)} 页 → 拆出 {len(files)} 个文件")print(f"自动命名 {auto} 页 ／ 扫描件待人工 {scan} 页")print(f"总耗时 {cost:.2f} 秒，输出总体积 {total_mb:.2f} MB")

跑出来的结果

真实终端输出，Windows + Python 3.13，24 页的报销 PDF：

原文件 24 页 → 拆出 24 个文件自动命名 20 页 ／ 扫描件待人工 4 页总耗时 0.70 秒，输出总体积 5.54 MB

打开「拆分结果」文件夹，长这样：

01_出租车发票_58.00元.pdf02_出租车发票_41.50元.pdf03_扫描件_需人工确认.pdf04_酒店住宿发票_380.00元.pdf11_高铁票_南宁→玉林_118.00元.pdf

第 11 个文件名里那个「→」被完整保留了下来，因为它不在 Windows 的禁用名单里——禁用名单一共九个字符，其余符号都能用。同一台机器上多跑几次，耗时会落在 0.66–0.72 秒之间，取决于磁盘缓存，不影响结论。

但等一下——原文件才 0.25 MB，拆完怎么变成 5.54 MB 了？

因为每拆出一个新文件，都得把原 PDF 里的字体带走一份。拆成 24 个文件，就是 24 份字体。这份 24 页的样本里，字体占了绝大部分体积，所以拆得越碎，总占用越大，几乎是正比关系。

为什么这么写

一、Reader 是借来的书，Writer 是你的新本子。PdfReader 只能看不能改，想落盘必须新建 PdfWriter。很多人图省事把 writer 写在循环外面，第 2 页就把第 1 页顶掉了，最后本子里只剩一页。每页一个 writer，谁也不欠谁。

二、extract_text() 拿的是 PDF 里藏的「隐形字幕」。 电子发票导出时自带文字层，所以能读出「出租车发票」；手机拍的纸质票本质是一张照片，字幕是空的，读出来就是空串。所以 text.strip() 为假，基本可以断定这页是扫描件。

三、文件名要先过一遍正则，像给行李箱贴标签前先擦干净箱面。 Windows 不允许 \ / : * ? " < > | 这九个字符，而发票抬头里偏偏总有「￥」和空格。re.sub 把它们全换成下划线，写入时才不会抛 OSError。

踩坑提示

坑 1：只拿抬头当文件名，24 页只剩 14 个文件。 我第一版写的是 name = 抬头 + ".pdf"，跑完还挺得意。一数文件只有 14 个——「出租车发票」有 7 张，同名 write() 直接静默覆盖，连个警告都不给。后来按修改时间排序才看出来，同一分钟内被覆盖了 6 次。所以文件名前面必须带 01_ 这种序号。

坑 2：加密 PDF 直接报 FileNotDecryptedError。 银行流水、部分电子发票是加密的，一读就抛 FileNotDecryptedError: File has not been decrypted。解法是加一行 reader.decrypt("密码")，返回 2 表示你是用「所有者密码」打开的。

坑 3：拆完体积翻 22 倍，微信发不出去。 就是上面那张图。如果目的是发给不同的人，5.54 MB 无所谓；如果只是归档，把「每份装几页」调成 6，同样的 24 页只要 0.94 MB。

一页速查：PDF 拆页的五条命令

想干什么	怎么写	记一句
装库	`pip install pypdf`	只要这一个
拆单页	`PdfWriter().add_page(page)`	每页 new 一个 writer
读文字	`page.extract_text() or ""`	空串 = 扫描件
防重名	文件名加 `f"{idx:02d}_"`	不加会静默覆盖
控体积	每份装 N 页再拆	6 页一份省 83%