如何基于Pandas DataFrame批量提取PDF指定页并生成对应文件夹与PDF

我有一个已排序且包含50条唯一行的Pandas DataFrame（命名为pdf_summary），每行对应一组特定的file_pages组合。源PDF路径如下：

pdf_path = "Documents/menu.pdf"

DataFrame结构示例：

需求：为每个file_name创建独立文件夹，并在其中生成仅包含对应file_pages_to_keep页面的PDF文件。预期输出示例：

"Documents/1 - Monday, Wednesday/1 - Monday, Wednesday.pdf"（仅包含源PDF的第1、3页）

可以借助PyMuPDF（轻量高效的PDF处理库）、pandas和os模块实现需求，代码如下：

import pandas as pd
import fitz  # PyMuPDF
import os

# 源PDF路径
pdf_path = "Documents/menu.pdf"

# 遍历DataFrame的每一行
for idx, row in pdf_summary.iterrows():
    # 获取当前行的文件名和要保留的页面
    folder_name = row['file_name']
    pages_str = row['file_pages_to_keep']
    # 构建文件夹路径（放在Documents目录下）
    folder_path = os.path.join("Documents", folder_name)
    # 创建文件夹，已存在则跳过
    os.makedirs(folder_path, exist_ok=True)
    
    # 处理页面：将字符串转为整数列表，注意PDF索引从0开始，所以要减1
    target_pages = [int(p) - 1 for p in pages_str.split(',')]
    
    # 打开源PDF
    source_pdf = fitz.open(pdf_path)
    # 创建新的PDF对象
    new_pdf = fitz.open()
    
    # 逐页添加指定页面到新PDF
    for page_num in target_pages:
        new_pdf.insert_pdf(source_pdf, from_page=page_num, to_page=page_num)
    
    # 构建输出PDF路径
    output_pdf_path = os.path.join(folder_path, f"{folder_name}.pdf")
    # 保存新PDF
    new_pdf.save(output_pdf_path)
    # 关闭文件释放资源
    new_pdf.close()
    source_pdf.close()

代码说明 #

• 文件夹创建：用os.makedirs配合exist_ok=True，避免重复创建文件夹时报错
• 页面处理：将file_pages_to_keep的字符串按逗号分割，转成整数后减1（因为PyMuPDF的页面索引从0开始，而用户给出的是从1开始的页码）
• PDF操作：insert_pdf方法可以精准提取指定页面，生成新PDF后保存到对应文件夹下

依赖安装 #

如果未安装PyMuPDF，可以通过pip安装：

pip install pymupdf

内容的提问来源于stack exchange，提问作者asd