Python办公自动化：Excel数据处理与PDF合并脚本模板

一、执行环境与依赖准备

本文脚本运行于 Python 3.9 及以上环境。核心依赖库主要有两个：用于表格数据读取与变换的 pandas（附带 openpyxl 用于读写 .xlsx 格式），以及用于底层 PDF 流组装与目录树生成的 pypdf。需要注意，早期的 PyPDF2 已在 3.0 版本后合并回归为官方推荐的 pypdf，新代码应避免引用废弃的 PyPDF2 包名。

# 在终端或虚拟环境中安装核心依赖
pip install pandas openpyxl pypdf

工程目录建议采用清晰的职责隔离结构。输入源文件与输出归档文件保持分离，避免因脚本反复执行导致已生成文件被作为源文件二次加载：

automation_project/
├── data_input/         # 待合并的原始 Excel 文件夹
├── pdf_input/          # 待排序与合并的 PDF 单页或分册
├── output/             # 清洗聚合后的结果表及成品 PDF
└── run_pipeline.py     # 整合调度执行入口

二、Excel 批量数据处理脚本模板

企业报表汇总最常见的痛点是：文件名格式不规范、字段顺序存在微小漂移、数值列混杂空行或非法字符、日期格式不统一。处理批量表格时，关键在于建立“元数据校验 — 字段重映射 — 统一类型转换 — 纵向合并 — 统计汇总”的标准流水线。

1. Excel 批处理通用脚本模板

以下代码实现了安全扫描目录、自动忽略 Office 临时隐藏文件（如 ~$filename.xlsx）、映射列名、填补空缺并输出合并汇总报表的完整过程：

import sys
from pathlib import Path
import pandas as pd

def batch_process_excel(
    input_folder: str,
    output_filepath: str,
    column_mapping: dict = None,
    required_columns: list = None
) -> pd.DataFrame:
    """
    扫描输入目录下所有 Excel 表格，执行字段对齐与清洗，并输出统一报表。
    """
    input_path = Path(input_folder)
    output_path = Path(output_filepath)
    output_path.parent.mkdir(parents=True, exist_ok=True)

    # 1. 筛选合法 xlsx 文件，过滤 ~$ 开头的临时锁定文件
    excel_files = [
        f for f in input_path.glob("*.xlsx")
        if not f.name.startswith("~$") and f.is_file()
    ]
    
    if not excel_files:
        print(f"[警告] 目录 {input_folder} 下未找到合法的 .xlsx 文件。")
        return pd.DataFrame()

    data_frames = []

    for file in sorted(excel_files):
        try:
            # 读取首个工作表，自动跳过完全为空的行和列
            df = pd.read_excel(file, sheet_name=0)
            if df.empty:
                print(f"[跳过] 文件内容为空: {file.name}")
                continue

            # 2. 列名空格清理与别名映射
            df.columns = [str(c).strip() for c in df.columns]
            if column_mapping:
                df.rename(columns=column_mapping, inplace=True)

            # 3. 校验必填列；若缺失则补充 NaN 列，避免 concat 时对齐报错
            if required_columns:
                for col in required_columns:
                    if col not in df.columns:
                        df[col] = None
                # 只保留业务需要的核心列
                df = df[required_columns]

            # 4. 追加元数据溯源字段
            df["_源文件名"] = file.name

            # 5. 清理完全重复项和无主键数据的空行
            df.dropna(how="all", inplace=True)
            data_frames.append(df)
            print(f"[成功加载] {file.name} - 读取有效行数: {len(df)}")

        except Exception as e:
            print(f"[读取失败] 解析文件 {file.name} 出现异常: {e}", file=sys.stderr)

    if not data_frames:
        print("[错误] 未能成功解析任何表格数据。")
        return pd.DataFrame()

    # 6. 纵向合并所有分表
    master_df = pd.concat(data_frames, ignore_index=True)

    # 7. 数据格式收敛与清洗示例：去重与数值转化
    if "金额" in master_df.columns:
        master_df["金额"] = pd.to_numeric(master_df["金额"], errors="coerce").fillna(0.0)

    # 8. 导出至 Excel：包含主表与简易透视汇总表
    with pd.ExcelWriter(output_path, engine="openpyxl") as writer:
        master_df.to_excel(writer, sheet_name="明细合集", index=False)
        
        # 若包含业务分类字段，顺带生成汇总 Sheet
        if "部门" in master_df.columns and "金额" in master_df.columns:
            summary = master_df.groupby("部门", as_index=False)["金额"].agg(["count", "sum"])
            summary.columns = ["部门", "记录笔数", "汇总总额"]
            summary.to_excel(writer, sheet_name="部门统计", index=False)

    print(f"[完成] 合并完成，共计 {len(master_df)} 行数据，已保存至: {output_path}")
    return master_df

if __name__ == "__main__":
    # 配置业务列名映射字典（将各部门叫法不一的字段统一为标准名）
    mapping = {
        "部门名称": "部门",
        "所属部门": "部门",
        "交易金额": "金额",
        "报销金额": "金额",
        "申请日期": "日期"
    }
    target_cols = ["部门", "姓名", "金额", "日期"]
    
    batch_process_excel(
        input_folder="./data_input",
        output_filepath="./output/合并清洗汇总表.xlsx",
        column_mapping=mapping,
        required_columns=target_cols
    )

三、PDF 文档合并与书签构建脚本模板

单将多个 PDF 拼接成一个大文件并不困难，真正决定交付文件可用性的是书签大纲（Outline / Bookmarks）的编排。没有大纲的长 PDF 文件在移动端或阅读器中检索极为低效。理想的合并脚本必须在依次写入各章节内容时，精准记录当前的页码偏移量（Page Offset），并自动生成清晰的树状目录导航。

1. PDF 合并与书签注入脚本模板

现代 pypdf 库的 PdfWriter 提供了极其高效的 append() 方法，该方法支持传入文件对象、路径，并且原生支持 outline_item 参数直接在一级目录添加书签。针对复杂的二级嵌套书签，可以使用 add_outline_item() 配合父级书签指针实现。

import sys
from pathlib import Path
from pypdf import PdfReader, PdfWriter

def merge_pdfs_with_bookmarks(
    file_configs: list,
    output_pdf_path: str,
    doc_title: str = "合并业务报告"
) -> bool:
    """
    按顺序合并多个 PDF 文件，并构建具有层级结构的书签导航。
    :param file_configs: 包含文件路径及书签配置的列表，例如：
        [
            {"path": "cover.pdf", "title": "一、报告封面"},
            {"path": "main.pdf", "title": "二、主要经营分析", "children": [
                {"title": "2.1 营收增长概览", "page_offset": 0},
                {"title": "2.2 成本控制分析", "page_offset": 4}
            ]},
            {"path": "appendix.pdf", "title": "三、详细附录清单"}
        ]
    :param output_pdf_path: 合成后的 PDF 输出路径
    :param doc_title: 注入到 PDF 元数据的文档标题
    """
    writer = PdfWriter()
    current_page_index = 0
    valid_file_count = 0

    output_path = Path(output_pdf_path)
    output_path.parent.mkdir(parents=True, exist_ok=True)

    for item in file_configs:
        file_path = Path(item["path"])
        if not file_path.exists():
            print(f"[跳过] 找不到指定 PDF 文件: {file_path}", file=sys.stderr)
            continue

        try:
            reader = PdfReader(file_path)
            
            # 处理受密码保护的文件检查
            if reader.is_encrypted:
                print(f"[错误] 文件受到加密保护，请先解密: {file_path.name}", file=sys.stderr)
                continue

            num_pages = len(reader.pages)
            if num_pages == 0:
                print(f"[跳过] PDF 文件页数为空: {file_path.name}")
                continue

            # 1. 将该 PDF 所有页面追加到总写入流中
            writer.append(reader)

            # 2. 插入当前文件对应的一级书签，直接跳转到合并后对应的起始页面
            parent_bookmark = writer.add_outline_item(
                title=item.get("title", file_path.stem),
                page_number=current_page_index
            )

            # 3. 递归或迭代插入二级子书签（如果有）
            if "children" in item and isinstance(item["children"], list):
                for child in item["children"]:
                    # 子书签页码 = 当前文件的基准页码 + 子章节相对页码
                    sub_offset = child.get("page_offset", 0)
                    target_page = min(current_page_index + sub_offset, current_page_index + num_pages - 1)
                    writer.add_outline_item(
                        title=child.get("title", "子章节"),
                        page_number=target_page,
                        parent=parent_bookmark
                    )

            print(f"[已合并] {file_path.name} | 页数: {num_pages} | 起始页码: {current_page_index + 1}")
            current_page_index += num_pages
            valid_file_count += 1

        except Exception as e:
            print(f"[异常] 处理文件 {file_path.name} 时出错: {e}", file=sys.stderr)

    if valid_file_count == 0:
        print("[错误] 未能合并任何有效页面，终止生成。")
        return False

    # 4. 写入元数据
    writer.add_metadata({
        "/Title": doc_title,
        "/Producer": "Python Office Automation Pipeline (pypdf)"
    })

    # 5. 持久化输出
    with open(output_path, "wb") as f_out:
        writer.write(f_out)

    print(f"\n[成功] 最终合成文档生成完毕！总页数: {current_page_index}，路径: {output_path}")
    return True

if __name__ == "__main__":
    # 待合并文件清单及书签配置示例
    tasks = [
        {
            "path": "./pdf_input/01_封面.pdf",
            "title": "一、封面与目录"
        },
        {
            "path": "./pdf_input/02_主要报告.pdf",
            "title": "二、业务运行总览",
            "children": [
                {"title": "2.1 关键运营指标", "page_offset": 0},
                {"title": "2.2 风险排查清单", "page_offset": 2}
            ]
        },
        {
            "path": "./pdf_input/03_附件.pdf",
            "title": "三、数据附录"
        }
    ]

    merge_pdfs_with_bookmarks(
        file_configs=tasks,
        output_pdf_path="./output/2026年度业务综合汇编报告.pdf",
        doc_title="2026年度综合运营报告"
    )

四、自动化脚本端到端执行流程

在实际生产环境中，Excel 数据清洗和 PDF 合并往往不是孤立的，而是前后衔接的流水线任务。例如：先合并 10 个业务组的 Excel 报表，清洗后生成汇总分析，再结合已有的模板文件生成附录，最后连同说明页全部打包为交付 PDF。

2. 一体化调度主程序实现

通过统一的流程编排函数，使数据流在处理完表格后直接触发后续拼装动作。以下代码演示了完整的集成模式，带有规范的异常捕获与执行日志输出：

import logging
from pathlib import Path

# 配置结构化日志输出
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s [%(levelname)s] %(message)s",
    datefmt="%Y-%m-%d %H:%M:%S"
)

def run_pipeline(workspace_root: str):
    root = Path(workspace_root).resolve()
    excel_dir = root / "data_input"
    pdf_dir = root / "pdf_input"
    out_dir = root / "output"
    
    out_dir.mkdir(parents=True, exist_ok=True)
    logging.info(f"工作空间初始化完成: {root}")

    # 阶段一：Excel 数据合并与清洗
    logging.info(">>> 启动阶段一：Excel 批处理与清洗...")
    mapping = {"项目名称": "项目", "结算金额": "金额", "申报人": "责任人"}
    req_cols = ["项目", "金额", "责任人"]
    
    merged_excel_path = out_dir / "汇总清洗明细.xlsx"
    df = batch_process_excel(
        input_folder=str(excel_dir),
        output_filepath=str(merged_excel_path),
        column_mapping=mapping,
        required_columns=req_cols
    )
    
    if df.empty:
        logging.warning("阶段一未清洗出有效数据，请检查源数据表。")
    else:
        logging.info(f"阶段一完成：生成表格包含 {len(df)} 条明细。")

    # 阶段二：PDF 合并与书签构建
    logging.info(">>> 启动阶段二：PDF 章节拼接与目录编排...")
    
    # 构造有序章节队列（确保物理文件存在）
    pdf_queue = [
        {"path": str(pdf_dir / "01_封面与目录.pdf"), "title": "1. 封面与引言"},
        {"path": str(pdf_dir / "02_业务主报告.pdf"), "title": "2. 主体分析报告", "children": [
            {"title": "2.1 统计报表", "page_offset": 0},
            {"title": "2.2 异常分析", "page_offset": 2}
        ]},
        {"path": str(pdf_dir / "03_附录明细.pdf"), "title": "3. 数据附录与凭证"}
    ]

    final_pdf_path = out_dir / "最终交付汇编文档.pdf"
    success = merge_pdfs_with_bookmarks(
        file_configs=pdf_queue,
        output_pdf_path=str(final_pdf_path),
        doc_title="季度自动化整合业务报告"
    )

    if success:
        logging.info(f"流水线执行成功！最终产物生成完毕: {final_pdf_path}")
    else:
        logging.error("阶段二 PDF 合并存在错误，请排查输入文件。")

if __name__ == "__main__":
    run_pipeline(".")

五、生产环境稳定性与自检清单

在从个人本机脚本走向部门协作或定时调度任务时，必须考虑跨平台路径处理、进程文件锁定以及脏数据容错等防御性机制。

核心排错检查表

借助上述两套模板与组合编排方式，常规的多文件表格整理与 PDF 装配任务即可脱离人工重复劳动，在数十秒内实现规范化、零差错的自动化批量产出。