Python文档处理指南：PDF、Excel、Word、PowerPoint自动化操作与最佳实践

document-processing by eyadsibai/ltk

567 周安装量

1 GitHub Stars

GitHub

安装命令

npx skills add https://github.com/eyadsibai/ltk --skill document-processing

Python Web框架自动化数据处理

🇨🇳中文介绍

文档处理指南

处理办公文档：PDF、Excel、Word 和 PowerPoint。

格式概览

格式	扩展名	结构	最佳用途
PDF	.pdf	二进制/文本	报告、表格、存档
Excel	.xlsx	ZIP 包中的 XML	数据、计算、模型
Word	.docx	ZIP 包中的 XML	文本文档、合同
PowerPoint	.pptx	ZIP 包中的 XML	演示文稿、幻灯片

关键概念：XLSX、DOCX 和 PPTX 都是包含 XML 文件的 ZIP 压缩包。您可以解压缩它们以访问原始内容。

PDF 处理

PDF 工具

广告位招租

在这里展示您的产品或服务

触达数万 AI 开发者，精准高效

联系我们

任务	最佳工具
基本读写	pypdf
文本提取	pdfplumber
表格提取	pdfplumber
创建 PDF	reportlab
扫描 PDF 的 OCR	pytesseract + pdf2image
命令行	qpdf, pdftotext

操作	方法
合并	遍历文件，将页面添加到写入器
拆分	为每个页面创建新的写入器
提取表格	使用 pdfplumber，转换为 DataFrame
旋转	在页面上调用 `.rotate(degrees)`
加密	使用写入器的 `.encrypt()` 方法
OCR	转换为图像，运行 pytesseract

任务	最佳工具
数据分析	pandas
公式与格式	openpyxl
简单 CSV	pandas
财务模型	openpyxl

关键规则：使用公式

方法	结果
错误：在 Python 中计算，写入值	静态数字，数据更改时失效
正确：写入 Excel 公式	动态，自动重新计算

惯例	含义
蓝色文本	硬编码输入
黑色文本	公式
绿色文本	链接到其他工作表
黄色填充	需要注意

错误	原因
#REF!	无效的单元格引用
#DIV/0!	除以零
#VALUE!	错误的数据类型
#NAME?	未知的函数名

任务	最佳工具
文本提取	pandoc
创建新文档	python-docx 或 docx-js
简单编辑	python-docx
跟踪修订	直接编辑 XML

文件	包含内容
`word/document.xml`	主要内容
`word/comments.xml`	批注
`word/media/`	图片

跟踪修订（红线）

元素	XML 标签
删除	`<w:del><w:delText>...</w:delText></w:del>`
插入	`<w:ins><w:t>...</w:t></w:ins>`

关键概念：对于专业/法律文档，请使用跟踪修订 XML，而不是直接替换文本。

任务	最佳工具
文本提取	markitdown
创建新演示文稿	pptxgenjs (JS) 或 python-pptx
编辑现有演示文稿	直接编辑 XML 或 python-pptx

路径	包含内容
`ppt/slides/slide{N}.xml`	幻灯片内容
`ppt/notesSlides/`	演讲者备注
`ppt/slideMasters/`	母版模板
`ppt/media/`	图片

原则	指导方针
字体	使用网页安全字体：Arial, Helvetica, Georgia
布局	首选两列，避免垂直堆叠
层级	使用大小、粗细、颜色来强调
一致性	在幻灯片间重复模式

转换	工具
任意格式 → PDF	LibreOffice headless
PDF → 图像	pdftoppm
DOCX → Markdown	pandoc
任意格式 → 文本	相应的提取器

实践	原因
在 Excel 中使用公式	动态计算
编辑时保留格式	不丢失样式
测试输出能否正确打开	及早发现损坏
对合同使用跟踪修订	审计追踪
提取为 markdown 进行分析	更易于处理

语言	包
Python	pypdf, pdfplumber, openpyxl, python-docx, python-pptx
JavaScript	docx, pptxgenjs
CLI	pandoc, qpdf, pdftotext, libreoffice

🇺🇸English

Document Processing Guide

Work with office documents: PDF, Excel, Word, and PowerPoint.

Format Overview

Format	Extension	Structure	Best For
PDF	.pdf	Binary/text	Reports, forms, archives
Excel	.xlsx	XML in ZIP	Data, calculations, models
Word	.docx	XML in ZIP	Text documents, contracts
PowerPoint	.pptx	XML in ZIP	Presentations, slides

Key concept : XLSX, DOCX, and PPTX are all ZIP archives containing XML files. You can unzip them to access raw content.

PDF Processing

PDF Tools

Task	Best Tool
Basic read/write	pypdf
Text extraction	pdfplumber
Table extraction	pdfplumber
Create PDFs	reportlab
OCR scanned PDFs	pytesseract + pdf2image
Command line	qpdf, pdftotext

Common Operations

Operation	Approach
Merge	Loop through files, add pages to writer
Split	Create new writer per page
Extract tables	Use pdfplumber, convert to DataFrame
Rotate	Call `.rotate(degrees)` on page
Encrypt	Use writer's `.encrypt()` method
OCR	Convert to images, run pytesseract

Excel Processing

Excel Tools

Task	Best Tool
Data analysis	pandas
Formulas & formatting	openpyxl
Simple CSV	pandas
Financial models	openpyxl

Critical Rule: Use Formulas

Approach	Result
Wrong : Calculate in Python, write value	Static number, breaks when data changes
Right : Write Excel formula	Dynamic, recalculates automatically

Financial Model Standards

Convention	Meaning
Blue text	Hardcoded inputs
Black text	Formulas
Green text	Links to other sheets
Yellow fill	Needs attention

Common Formula Errors

Error	Cause
#REF!	Invalid cell reference
#DIV/0!	Division by zero
#VALUE!	Wrong data type
#NAME?	Unknown function name

Word Processing

Word Tools

Task	Best Tool
Text extraction	pandoc
Create new	python-docx or docx-js
Simple edits	python-docx
Tracked changes	Direct XML editing

Document Structure

File	Contains
`word/document.xml`	Main content
`word/comments.xml`	Comments
`word/media/`	Images

Tracked Changes (Redlining)

Element	XML Tag
Deletion	`<w:del><w:delText>...</w:delText></w:del>`
Insertion	`<w:ins><w:t>...</w:t></w:ins>`

Key concept : For professional/legal documents, use tracked changes XML rather than replacing text directly.

PowerPoint Processing

PowerPoint Tools

Task	Best Tool
Text extraction	markitdown
Create new	pptxgenjs (JS) or python-pptx
Edit existing	Direct XML or python-pptx

Slide Structure

Path	Contains
`ppt/slides/slide{N}.xml`	Slide content
`ppt/notesSlides/`	Speaker notes
`ppt/slideMasters/`	Master templates
`ppt/media/`	Images

Design Principles

Principle	Guideline
Fonts	Use web-safe: Arial, Helvetica, Georgia
Layout	Two-column preferred, avoid vertical stacking
Hierarchy	Size, weight, color for emphasis
Consistency	Repeat patterns across slides

Converting Between Formats

Conversion	Tool
Any → PDF	LibreOffice headless
PDF → Images	pdftoppm
DOCX → Markdown	pandoc
Any → Text	Appropriate extractor

Best Practices

Practice	Why
Use formulas in Excel	Dynamic calculations
Preserve formatting on edit	Don't lose styles
Test output opens correctly	Catch corruption early
Use tracked changes for contracts	Audit trail
Extract to markdown for analysis	Easier to process

Common Packages

Language	Packages
Python	pypdf, pdfplumber, openpyxl, python-docx, python-pptx
JavaScript	docx, pptxgenjs
CLI	pandoc, qpdf, pdftotext, libreoffice

Weekly Installs

554

Repository

eyadsibai/ltk

GitHub Stars

First Seen

Jan 28, 2026

Security Audits

Gen Agent Trust HubPass SocketPass SnykPass

Installed on

opencode530

gemini-cli529

codex527

github-copilot522

cursor521

kimi-cli509

Google Sheets 费用追踪器创建指南 - 使用 Google Workspace CLI 自动化记账

6,000 周安装

Python文档处理指南：PDF、Excel、Word、PowerPoint自动化操作与最佳实践

🇨🇳中文介绍

文档处理指南

格式概览

PDF 处理

PDF 工具

相关 Skills

常见操作

Excel 处理

Excel 工具

关键规则：使用公式

财务模型标准

常见公式错误

Word 处理

Word 工具

文档结构