一份百来页的 PDF要按页码切成两份发给两组人听起来是十分钟的活。真动起手来翻车点几乎全在同一个地方你说的是“第 30 页”工具切的是“第 30 个页面对象”收件人翻到的是“页脚印着 30 的那一页”这三件事在大多数文档里根本不是一回事。我处理过太多这类分发需求最后固化下来的流程就一句话——先核对文件页再核对编号。文件页是物理事实编号是人为约定事实没坐实就贴标签后面全是白干。这篇把我这套流程从头到尾摊开页码口径怎么分清、工具怎么选、映射表怎么建、命令怎么写、两轮核对怎么落地、出错怎么回滚。适合经常要做文档拆分分发的人也适合第一次接手这类活、想一次做对的人。1. 先把“页”这个字拆干净否则后面全是糊涂账1.1 物理页序、印刷页码、阅读器页标签三套口径要分清PDF 里至少有三种“页码”同时存在而且经常互相打架。第一种是物理页序也就是文件里第 1 个 page 对象、第 2 个 page 对象这样排下来的顺序所有命令行工具默认都按这个来切。第二种是印刷页码就是页眉页脚上印着的“第 X 页 共 Y 页”是人写进去的。第三种是页标签Page Labels阅读器侧边栏和页码框显示的那个数字可以在文档属性里单独设置比如前置部分用 i、ii、iii正文从 1 重新开始。麻烦在于一份正经文档的封面、扉页、目录、前言通常不参与正文编号。假设一份文档物理上 128 页前 6 页是封面和目录正文从物理第 7 页开始印“第 1 页”。这时候对方跟你说“把 30 到 45 页发我”他脑子里的 30 是印刷页码对应物理第 36 页你要是直接把30-45丢给工具切出来的是物理 30 到 45整体偏了 6 页而且偏得“看起来很对”——页数一样文件也能打开只有收件人翻到内容时才发现不对。所以第一步永远是建立一张物理页 ↔ 印刷页码的对照关系。做法很土但很稳抽出物理第 1 页、第 7 页、第 8 页的文本看页脚数字算出偏移量。如果前置部分是罗马数字且长度不固定就多抽几个点物理第 10 页、第 50 页、最后一页确认偏移在整个文档里是恒定的。偏移量恒定是后面所有批量操作的前提一旦发现中间某处页码重置比如插了一页彩图没编号就必须放弃“统一偏移”的做法改成逐段建映射。1.2 为什么核对顺序必须是“先文件页、后编号”反过来就废了这两件事的性质完全不同。核对文件页核的是客观事实总共多少页、有没有加密、有没有文字层、页面尺寸是不是一致、有没有整页空白。这些结论不依赖任何人的约定工具说多少就是多少。核对编号核的是人为约定文件名里的序号连不连续、命名规则统不统一、编号和映射表对不对得上。约定是可以改的事实不能。顺序反了会怎样我见过最典型的一种先把文件按“1-40”“41-80”切好、按规则命名、发出去第二天收件人反馈“少了一页”。回头查源文件其实是 129 页因为扫描时多扫了一张空白背面而分页规则是按 128 页设计的最后 1 页压根没进任何一个包。这时候文件名全部要重来已经发出去的两份还得追回。如果一开始就跑一遍页数统计、把空白页标出来这个坑在五分钟内就能填掉。用个生活化的说法搬家打包先点清屋里到底有多少件东西再往箱子上写“厨房 1/3”。你要是先贴标签再装最后总有一箱对不上号。文件页核对就是“点件数”编号核对就是“写标签”次序不能换。1.3 两组人的分发边界哪些页重复给、哪些页谁都不给“分别发给两组人”这句话背后通常藏着三种页只给 A 组的、只给 B 组的、两组都要的总则、附录、联系方式、修订记录这类以及少数谁都不该给的内部批注页、草稿页、带个人信息的附表。这四类必须在映射表里显式区分不能靠“切两刀正好切完”来蒙混。这里有个容易忽略的算术关系建议直接写进校验脚本所有输出文件页数之和 源文件总页数 重复分发页数 − 未分发页数只要这个等式不成立说明要么漏了页要么某段被切了两次。这个式子看着简单但它能把“看起来没问题”的包全部筛出来。我一般会在映射表里加一列“去向”取值就四种A、B、AB、留存。留存页单独导出成一个不外发的文件存档备查同时在校验时把它计入“未分发页数”。另外提醒一句两组都要的页正确做法是复制进两个包而不是把这段抽成一个公共附件让两边自己去拼。后者听起来省事实际会让“谁手上的版本是全的”变成一笔烂账尤其当后续有人只转发了其中一部分时。2. 工具选型别一上来就开图形界面手动剪2.1 三种拆法的横向对比图形界面拖拽拆分不是不能用而是不可复现。同一份文件你今天拖出来的边界和明天拖出来的可能差一页而且没有任何记录能证明你当时是按什么规则切的。分发这种事最怕的就是“说不清”。维度图形界面手动拆命令行单条执行脚本 映射表驱动页码基准通常按阅读器显示页码容易和物理页混淆明确按物理页序明确按物理页序可复现性差无记录中命令可留存高表 脚本即文档批量效率十几份就开始烦一次一条够用几十份也是几秒出错回滚只能重做重跑命令即可重跑脚本即可校验能力基本没有需另写校验可内置页数守恒校验学习成本最低低中一次投入长期用我的建议是份数少于 3 份、且只做一次命令行足够份数多、或者这类活每周都有直接上脚本把映射表当配置。图形界面的价值在于“看一眼确认”比如拆完之后打开抽查首尾页而不是用它来执行拆分。2.2 我常用的几条命令与各自边界探测环节我用pdfinfo它一次能给出页数、页面尺寸、是否加密、PDF 版本是最省事的入口。拆分环节主力是qpdf原因是它做的是对象级复制不重新渲染、不重新编码速度快、体积可控、字体不会二次子集化。语法上要特别注意--pages后面那个点qpdf source.pdf --pages . 1-8 -- out_01.pdf这里的.代表“当前这个输入文件”--是参数分隔符。多个不连续区间用逗号连起来qpdf source.pdf --pages . 1-8,20-30 -- out_02.pdf注意qpdf认的是物理页序不认页标签。它也不会帮你处理页码偏移偏移得你自己在映射表里算好。这一点必须记牢很多人以为工具会“智能识别页码”不会的。备选方案里pdftk的cat也能干这活输出顺序灵活但老版本对加密文件和各种边缘语法的兼容性不如qpdf。pdfseparate加pdfunite的路子更直观——先把目标页拆成单页文件再合并——中间产物看得见适合排查“到底哪一页出问题”代价是文件多了会乱而且pdfunite合并后书签容易丢。mutool系列也可靠尤其是在处理结构异常的文档时容错性好一些。需要写逻辑判断、要读 CSV 映射表的场景直接用 Python 的pypdf或pikepdf。pypdf上手快、API 直白pikepdf基于更底层的库处理损坏文件和大文件更稳。两者都按 0 基索引取页写脚本时这是最常见的差一错误来源。2.3 命名规则让文件名自己把编号说清楚文件名是最廉价、最不会丢的元数据。我的固定结构是组别_序号_物理起-物理止_v版本.pdf举例A组_002_036-050_v1.pdf。这里刻意用物理页号而不是印刷页码因为文件本身的边界就是物理页用物理页命名任何人在任何工具里打开都能一秒验证如果用印刷页码命名还得回去查偏移量多一层心智负担。如果业务方坚持要看到印刷页码就在文件名后面加一个括号注释或者在随附清单里体现别把两套编号混进同一个字段。三个细节必须做到序号补零到三位否则按名称排序会出现 1、10、11、2 这种错乱这在几十份文件的分发里是高频事故文件名里不要有空格和中文括号跨系统传输时容易被转义成一串百分号版本号只放v1、v2这种短标识具体的时间戳和哈希放到清单文件里别塞进文件名。提示命名规则一旦定下同一次分发里就不要中途改。改一次前面所有已生成的核对记录全部作废。3. 实操全过程建表、拆包、两轮核对3.1 摸底几条命令把源文件的底细摸清楚动手之前先跑一遍探测把“事实”这件事坐实。下面这组命令建议按顺序执行# 1. 基础信息页数、页面尺寸、是否加密 pdfinfo source.pdf # 2. 结构完整性检查能提前发现文件本身有问题 qpdf --check source.pdf # 3. 抽首末页文本确认有没有文字层 pdftotext -f 1 -l 1 source.pdf - | head -20 pdftotext -f 128 -l 128 source.pdf - | head -20 # 4. 逐页统计文本长度用来识别空白页和缺页 for i in $(seq 1 128); do n$(pdftotext -f $i -l $i source.pdf - 2/dev/null | tr -d [:space:] | wc -c) echo $i,$n done page_text_len.csv第 4 条命令是整个流程里性价比最高的一步。输出的 CSV 里文本长度为 0 或个位数的页要么是真空白页要么是纯图片扫描页——这两种在分发时处理方式完全不同。空白页通常该剔除扫描页则要保留而且因为没文字层后面的编号核对不能用文本比对得改人工抽查。pdfinfo输出里的Encrypted:字段要重点看。如果是yes说明文件有加密或权限限制qpdf处理时可能需要额外参数某些情况下会直接报错。这类文件建议先在合规前提下拿到可处理的版本别硬拆。3.2 把“发给谁”翻译成一张页码映射表映射表是整个流程的中枢用 CSV 存Excel 能编辑脚本能读。字段设计如下字段含义示例group去向A / B / AB / 留存seq序号补零三位001p_start物理起始页含7p_end物理结束页含40printed_start对应印刷页码1printed_end对应印刷页码34filename输出文件名A组_001_007-040_v1.pdfnote备注如“含总则”含总则 3 页实际内容大概长这样group,seq,p_start,p_end,printed_start,printed_end,filename,note A,001,7,40,1,34,A组_001_007-040_v1.pdf, A,002,95,120,89,114,A组_002_095-120_v1.pdf,含附录 AB,003,121,124,115,118,公共_001_121-124_v1.pdf,两组均发 B,001,41,94,35,88,B组_001_041-094_v1.pdf, 留存,001,125,128,119,122,留存_001_125-128.pdf,含内部批注数据要满足三条硬约束写表的时候就逐条对组内区间不重叠组间要么不重叠、要么显式标 AB所有区间并集加留白恰好覆盖 1 到总页数。第三条可以用一个简单的检查思路验证——把所有区间的页数加起来等于总页数。页数计算别用眼睛估。40 − 7 1 34起始页要加一这是最容易差一的地方。我第一次写这类表的时候40 减 7 写成 33少算一页后面所有文件的页数校验全对不上排查了半小时才发现是表本身错了。所以脚本里一定要有“区间页数 结束 − 起始 1”的统一计算函数不要手填。3.3 按表拆分qpdf 单条与 Python 批量两种写法份数少的时候直接照着表敲命令最快mkdir -p out qpdf source.pdf --pages . 7-40 -- out/A组_001_007-040_v1.pdf qpdf source.pdf --pages . 95-120 -- out/A组_002_095-120_v1.pdf qpdf source.pdf --pages . 121-124 -- out/公共_001_121-124_v1.pdf qpdf source.pdf --pages . 41-94 -- out/B组_001_041-094_v1.pdf qpdf source.pdf --pages . 125-128 -- out/留存_001_125-128.pdf份数多或者要反复跑就用脚本读表驱动import csv from pathlib import Path from pypdf import PdfReader, PdfWriter SRC source.pdf OUT Path(out) OUT.mkdir(exist_okTrue) reader PdfReader(SRC) total len(reader.pages) outputs [] with open(plan.csv, newline, encodingutf-8) as f: for row in csv.DictReader(f): s int(row[p_start]) e int(row[p_end]) assert 1 s e total, f区间越界: {row} writer PdfWriter() # pypdf 用 0 基索引这里是最容易写错的一行 for i in range(s - 1, e): writer.add_page(reader.pages[i]) dst OUT / row[filename] with open(dst, wb) as fp: writer.write(fp) outputs.append((dst.name, e - s 1)) # 页数守恒输出总页数 源页数 重复页数 - 未分发页数 print(源页数:, total) print(输出合计:, sum(n for _, n in outputs)) for name, n in outputs: print(f{name}\t{n})几个必须注意的点。range(s - 1, e)这个写法要盯死少减一个 1 或者少包含一页都会导致整段偏移。assert那行别嫌麻烦它能在跑之前就拦住越界区间。输出目录里的同名文件会被覆盖重跑之前要么清空目录要么在文件名里带版本号别靠“我记得上次没跑完”来判断。如果目标是保留书签和表单qpdf的对象级复制通常比pypdf的页面级重组更稳一些。拆分后书签指向失效是常见现象——书签定义在文档级页面被搬走后原指向可能落在不存在的目标上。不要指望拆完之后书签还全对分发前抽查一下如果书签很重要就单独生成一份目录页随包附带。3.4 第一轮核对文件页层面的硬校验这一轮只核事实不核命名。核三件事每个包的页数、页面尺寸是否一致、总账是否守恒。# 逐文件取页数与映射表比对 for f in out/*.pdf; do p$(pdfinfo $f | awk /^Pages:/ {print $2}) echo $f,$p done check_pages.csv把这份结果和plan.csv里的p_end − p_start 1逐行比任何一行不等就停下来查。常见原因有三个命令里的区间写错、源文件本身页数与预期不符就是那个多扫的空白页、qpdf报错但被链吞掉了没注意。总账校验我用一行awk解决# 输出总页数 awk -F, {s$2} END {print 输出合计:, s} check_pages.csv拿这个数和源文件页数对差值应该正好等于“重复分发页数减未分发页数”。对不上就回到映射表十有八九是某个区间漏写了或者写重了。页面尺寸检查容易被跳过但它在混排文档里很关键——A4 和 Letter 混在一起的文件拆完之后某些页会被阅读器缩放打印出来边界不对。用pdfinfo -f 1 -l 1逐页看太慢可以抽首、中、尾三页对比Page size字段不一致就说明源文件本身是混排的得在交付说明里注明。3.5 第二轮核对编号层面的软校验这一轮核的是“名字和内容对不对得上”。做法是给每个包定两个锚点首页的一个特征字符串、末页的一个特征字符串。锚点从源文件的抽页结果里取写进映射表或者单独一张锚点表。# 抽首页前几行做人工比对 pdftotext -f 1 -l 1 out/A组_001_007-040_v1.pdf - | head -8 # 抽末页最后几行 pdftotext -f 34 -l 34 out/A组_001_007-040_v1.pdf - | tail -8看到首页写着“第三章 采购流程”而不是“第二章”立刻就知道偏移算错了。这一步纯人工看看着笨但它是唯一能抓住“页数全对、内容全错”这种事故的手段。页数校验只能证明你没切多切少不能证明你切对了地方这两件事必须分开做。如果锚点是稳定的页脚数字可以写成比对逻辑把抽出的末页文本做一次正则匹配取出第\s*(\d)\s*页的数字和映射表里printed_end比。匹配不上就报警。这在几十份文件的场景里能省掉大量肉眼比对。3.6 分发前的封包与留痕最后一步是把“发出去”这件事做成可追溯的。我会给每个包算一个哈希写进清单sha256sum out/*.pdf manifest.sha256清单里三样东西必备文件名、页数、哈希。收件人反馈问题时让他报哈希前六位你一秒就能确认他手上是哪一版省掉“你打开看看第一页写的是什么”这种来回。如果要发给组内多个人别逐个发文件发一个压缩包加清单压缩包本身也算一个哈希这样“包有没有被改动过”也可查。另外建议留一份不对外的合并对照文件把源文件里所有非“留存”页按顺序合成一个“已分发全量”文件存档。将来要回答“这一页到底发没发出去”打开这一个文件就能确认不用去翻五六个包。4. 核对实录两类错最要命怎么提前发现4.1 文件页错位封面、目录、扫描缺页、空白背面文件页层面的错误有个共同特点——它不报错。文件能打开、页数看着也对就是内容整体挪了位。我整理了几种高频成因和对应的检测手段现象常见成因检测手段整段内容偏移固定页数前置封面目录未计入按印刷页码切了抽首末页文本对锚点末尾少若干页扫描多出空白背面实际页数大于预期逐页文本长度统计看末尾异常页中间缺一页双面扫描漏扫或原文件本身缺页印刷页码连续性检查某页方向不对横向页未旋转对比Page size与Page rot拆出的包体积异常大区间写错把整本切进去了页数校验直接拦住最隐蔽的是“双面扫描漏扫”。文档看着完整页数也对但中间某一页的背面没扫进去导致后面所有印刷页码比物理页多 1。这种错在整本核对时几乎看不出来只有当你把印刷页码和物理页序一一列出、发现某个点开始偏移量变了才会暴露。所以偏移量不是算一次就完事要在文档的头、中、尾各取一个点验证这是我踩过坑之后固定下来的动作。空白页的处理也要提前定规则。扫描件里每张纸的背面都会产生一个空白页直接按物理页切包里就会夹着一堆空白收件人翻起来很难受。但不能无脑删空白页——有些空白页是版式设计的一部分章节之间的隔页删了会破坏打印时的对页关系。我的做法是先用文本长度统计把所有空白页列出来人工过一遍确认哪些是扫描背面、哪些是设计隔页然后在映射表里把要删的页单独标出来不靠脚本自动判断。4.2 编号错位名字对了内容错了编号层面的错更阴险因为文件看起来完全正常。三种典型第一种是整体偏移命名里的007-040和实际内容差了几页通常源于映射表里的起始页算错或者偏移量没减。第二种是重号两份文件都叫001一般是循环里变量没更新或者手工复制命令时忘了改。第三种是跳号001之后直接003中间那份因为区间越界被assert拦掉了但脚本继续往下跑输出目录里就少了一个。重号和跳号用一行命令就能查ls out/*.pdf | sed s/.*_\([0-9]\{3\}\)_.*/\1/ | sort | uniq -c | awk $1 ! 1输出为空说明序号无重复有输出就逐条看。跳号则要拿实际序号列表和映射表的预期序号列表做diff不能只看最大值。整体偏移只能靠锚点比对。这里有个效率技巧不要每个包都从头看到尾只看首页第一段和末页最后一段。首页能确认起点对不对末页能确认终点对不对两头都对中间几乎不会错除非源文件本身顺序乱了那种情况在摸底阶段就该发现。4.3 一套可以直接抄的三轮校验清单我把上面这些固化成三轮每轮有明确的通过标准和不通过的处理动作轮次检查项工具通过标准不通过怎么办第一轮源文件页数、加密状态、文字层pdfinfo、pdftotext页数与预期一致无加密重新取源文件别硬拆第一轮逐页文本长度分布shell 循环空白页已人工确认并标注回到映射表调整区间第二轮每个输出包页数pdfinfo循环与映射表逐行相等检查命令区间与起止计算第二轮输出页数总和awk求和等于守恒公式结果查映射表漏写、重写第三轮序号唯一、连续uniq -c、diff无重复、无跳号重跑脚本清空输出目录第三轮首末页锚点pdftotext抽查与映射表锚点一致全量重拆别局部修补交付前哈希清单sha256sum清单与文件一一对应重新生成清单三轮的顺序不能乱。第一轮是源文件体检第二轮是产物体检第三轮是标签体检。前一轮不通过就不要进下一轮否则错误会层层叠加最后排查成本成倍上升。5. 常见问题与排查速查表5.1 拆分后少了页、多了空页、书签失效少了页先看输出目录里文件数对不对再看单个文件页数。如果文件数对、页数少基本是区间计算差一如果文件数就少多半是某条命令报错被吞了或者脚本里的assert拦掉了。养成一个习惯拆分命令后面加echo done之类的标记或者干脆用set -e让脚本遇错即停。多了空页回到 3.1 的逐页文本统计把空白页列表和映射表对齐。注意qpdf的区间是闭区间7-40包含两端这一点和 Python 的range语义不同混用时最容易多切一页。书签失效前面提过页面被重组后书签的指向可能悬空。如果书签是硬需求考虑用qpdf的对象级复制而不是页面重组或者拆完之后用工具重建一份简化书签。实践中我一般不做重建而是在每个包前面加一页“本包目录”把区间和内容范围写清楚比依赖书签更可靠。5.2 加密、权限与体积异常pdfinfo显示Encrypted: yes时先确认是真的加密还是仅设了权限。仅设权限比如禁止编辑的文件多数工具仍能读取但某些操作会受限。这类文件不要试图绕过限制去处理合规做法是向文件提供方索取一个可正常处理的版本。这一条没有变通空间。体积异常有两种。一种是拆出来的包比预期大很多通常是区间写错把整本切了进去页数校验能直接拦住。另一种是拆出来的包比预期小很多可能是页面里的图片资源没被正确引用。qpdf的对象级复制一般不产生这个问题页面级重组工具有时会出现拆完记得打开抽查有图的页。5.3 扫描件没有文字层编号怎么核没有文字层pdftotext抽出来是空的锚点比对就失效了。这时候只能靠人工抽查打开每个包的首末页用眼睛看页脚数字和章节标题。份数多的时候可以用截图拼图的方式批量比对——把每个包的首末页导出成小图拼成一张总览图一屏看十几份效率比逐个打开高得多。另外如果扫描件本身带 OCR 文字层但质量很差pdftotext会抽出乱码正则匹配页码可能失败。这种情况不要强行写脚本判断宁可人工看也别让脚本给出一个“通过”的假结论。自动校验的价值在于不漏不在于快一旦发现它在某些文件上不可靠就果断退回人工。5.4 分发环节最容易踩的四个坑第一只发了文件没发清单。收件人不知道总共几份、自己该收几份少一份也无从察觉。清单必须随包走。第二两组文件放在同一个链接里。哪怕文件名带前缀也是把“谁该看什么”交给了自觉。正确做法是两个独立位置各自只放本组的内容。第三用聊天工具直接传没有版本标识。文件被转存、改名、再转发之后就彻底失去追溯能力。清单里的哈希就是为这个准备的。第四留存页混进了分发包。这类事故后果最重而且往往在发出很久之后才被发现。防的办法只有一个拆分时把“留存”单独输出到一个不参与打包的目录打包命令只作用于分发目录物理隔离不靠人记。我在实际做这类分发时最大的体会是真正花时间的不是“拆”而是“确认拆对了”。工具的语法十分钟就能学会但那三轮核对、那张映射表、那份哈希清单才是让这件事能反复做、做得住的东西。下次再遇到“一份文件发两组人”的活建议先把 3.1 那几条探测命令跑一遍把页数和偏移量写在纸上再动手切。慢这五分钟后面能省掉一整轮返工。
一份百来页的 PDF要按页码切成两份发给两组人听起来是十分钟的活。真动起手来翻车点几乎全在同一个地方你说的是“第 30 页”工具切的是“第 30 个页面对象”收件人翻到的是“页脚印着 30 的那一页”这三件事在大多数文档里根本不是一回事。我处理过太多这类分发需求最后固化下来的流程就一句话——先核对文件页再核对编号。文件页是物理事实编号是人为约定事实没坐实就贴标签后面全是白干。这篇把我这套流程从头到尾摊开页码口径怎么分清、工具怎么选、映射表怎么建、命令怎么写、两轮核对怎么落地、出错怎么回滚。适合经常要做文档拆分分发的人也适合第一次接手这类活、想一次做对的人。1. 先把“页”这个字拆干净否则后面全是糊涂账1.1 物理页序、印刷页码、阅读器页标签三套口径要分清PDF 里至少有三种“页码”同时存在而且经常互相打架。第一种是物理页序也就是文件里第 1 个 page 对象、第 2 个 page 对象这样排下来的顺序所有命令行工具默认都按这个来切。第二种是印刷页码就是页眉页脚上印着的“第 X 页 共 Y 页”是人写进去的。第三种是页标签Page Labels阅读器侧边栏和页码框显示的那个数字可以在文档属性里单独设置比如前置部分用 i、ii、iii正文从 1 重新开始。麻烦在于一份正经文档的封面、扉页、目录、前言通常不参与正文编号。假设一份文档物理上 128 页前 6 页是封面和目录正文从物理第 7 页开始印“第 1 页”。这时候对方跟你说“把 30 到 45 页发我”他脑子里的 30 是印刷页码对应物理第 36 页你要是直接把30-45丢给工具切出来的是物理 30 到 45整体偏了 6 页而且偏得“看起来很对”——页数一样文件也能打开只有收件人翻到内容时才发现不对。所以第一步永远是建立一张物理页 ↔ 印刷页码的对照关系。做法很土但很稳抽出物理第 1 页、第 7 页、第 8 页的文本看页脚数字算出偏移量。如果前置部分是罗马数字且长度不固定就多抽几个点物理第 10 页、第 50 页、最后一页确认偏移在整个文档里是恒定的。偏移量恒定是后面所有批量操作的前提一旦发现中间某处页码重置比如插了一页彩图没编号就必须放弃“统一偏移”的做法改成逐段建映射。1.2 为什么核对顺序必须是“先文件页、后编号”反过来就废了这两件事的性质完全不同。核对文件页核的是客观事实总共多少页、有没有加密、有没有文字层、页面尺寸是不是一致、有没有整页空白。这些结论不依赖任何人的约定工具说多少就是多少。核对编号核的是人为约定文件名里的序号连不连续、命名规则统不统一、编号和映射表对不对得上。约定是可以改的事实不能。顺序反了会怎样我见过最典型的一种先把文件按“1-40”“41-80”切好、按规则命名、发出去第二天收件人反馈“少了一页”。回头查源文件其实是 129 页因为扫描时多扫了一张空白背面而分页规则是按 128 页设计的最后 1 页压根没进任何一个包。这时候文件名全部要重来已经发出去的两份还得追回。如果一开始就跑一遍页数统计、把空白页标出来这个坑在五分钟内就能填掉。用个生活化的说法搬家打包先点清屋里到底有多少件东西再往箱子上写“厨房 1/3”。你要是先贴标签再装最后总有一箱对不上号。文件页核对就是“点件数”编号核对就是“写标签”次序不能换。1.3 两组人的分发边界哪些页重复给、哪些页谁都不给“分别发给两组人”这句话背后通常藏着三种页只给 A 组的、只给 B 组的、两组都要的总则、附录、联系方式、修订记录这类以及少数谁都不该给的内部批注页、草稿页、带个人信息的附表。这四类必须在映射表里显式区分不能靠“切两刀正好切完”来蒙混。这里有个容易忽略的算术关系建议直接写进校验脚本所有输出文件页数之和 源文件总页数 重复分发页数 − 未分发页数只要这个等式不成立说明要么漏了页要么某段被切了两次。这个式子看着简单但它能把“看起来没问题”的包全部筛出来。我一般会在映射表里加一列“去向”取值就四种A、B、AB、留存。留存页单独导出成一个不外发的文件存档备查同时在校验时把它计入“未分发页数”。另外提醒一句两组都要的页正确做法是复制进两个包而不是把这段抽成一个公共附件让两边自己去拼。后者听起来省事实际会让“谁手上的版本是全的”变成一笔烂账尤其当后续有人只转发了其中一部分时。2. 工具选型别一上来就开图形界面手动剪2.1 三种拆法的横向对比图形界面拖拽拆分不是不能用而是不可复现。同一份文件你今天拖出来的边界和明天拖出来的可能差一页而且没有任何记录能证明你当时是按什么规则切的。分发这种事最怕的就是“说不清”。维度图形界面手动拆命令行单条执行脚本 映射表驱动页码基准通常按阅读器显示页码容易和物理页混淆明确按物理页序明确按物理页序可复现性差无记录中命令可留存高表 脚本即文档批量效率十几份就开始烦一次一条够用几十份也是几秒出错回滚只能重做重跑命令即可重跑脚本即可校验能力基本没有需另写校验可内置页数守恒校验学习成本最低低中一次投入长期用我的建议是份数少于 3 份、且只做一次命令行足够份数多、或者这类活每周都有直接上脚本把映射表当配置。图形界面的价值在于“看一眼确认”比如拆完之后打开抽查首尾页而不是用它来执行拆分。2.2 我常用的几条命令与各自边界探测环节我用pdfinfo它一次能给出页数、页面尺寸、是否加密、PDF 版本是最省事的入口。拆分环节主力是qpdf原因是它做的是对象级复制不重新渲染、不重新编码速度快、体积可控、字体不会二次子集化。语法上要特别注意--pages后面那个点qpdf source.pdf --pages . 1-8 -- out_01.pdf这里的.代表“当前这个输入文件”--是参数分隔符。多个不连续区间用逗号连起来qpdf source.pdf --pages . 1-8,20-30 -- out_02.pdf注意qpdf认的是物理页序不认页标签。它也不会帮你处理页码偏移偏移得你自己在映射表里算好。这一点必须记牢很多人以为工具会“智能识别页码”不会的。备选方案里pdftk的cat也能干这活输出顺序灵活但老版本对加密文件和各种边缘语法的兼容性不如qpdf。pdfseparate加pdfunite的路子更直观——先把目标页拆成单页文件再合并——中间产物看得见适合排查“到底哪一页出问题”代价是文件多了会乱而且pdfunite合并后书签容易丢。mutool系列也可靠尤其是在处理结构异常的文档时容错性好一些。需要写逻辑判断、要读 CSV 映射表的场景直接用 Python 的pypdf或pikepdf。pypdf上手快、API 直白pikepdf基于更底层的库处理损坏文件和大文件更稳。两者都按 0 基索引取页写脚本时这是最常见的差一错误来源。2.3 命名规则让文件名自己把编号说清楚文件名是最廉价、最不会丢的元数据。我的固定结构是组别_序号_物理起-物理止_v版本.pdf举例A组_002_036-050_v1.pdf。这里刻意用物理页号而不是印刷页码因为文件本身的边界就是物理页用物理页命名任何人在任何工具里打开都能一秒验证如果用印刷页码命名还得回去查偏移量多一层心智负担。如果业务方坚持要看到印刷页码就在文件名后面加一个括号注释或者在随附清单里体现别把两套编号混进同一个字段。三个细节必须做到序号补零到三位否则按名称排序会出现 1、10、11、2 这种错乱这在几十份文件的分发里是高频事故文件名里不要有空格和中文括号跨系统传输时容易被转义成一串百分号版本号只放v1、v2这种短标识具体的时间戳和哈希放到清单文件里别塞进文件名。提示命名规则一旦定下同一次分发里就不要中途改。改一次前面所有已生成的核对记录全部作废。3. 实操全过程建表、拆包、两轮核对3.1 摸底几条命令把源文件的底细摸清楚动手之前先跑一遍探测把“事实”这件事坐实。下面这组命令建议按顺序执行# 1. 基础信息页数、页面尺寸、是否加密 pdfinfo source.pdf # 2. 结构完整性检查能提前发现文件本身有问题 qpdf --check source.pdf # 3. 抽首末页文本确认有没有文字层 pdftotext -f 1 -l 1 source.pdf - | head -20 pdftotext -f 128 -l 128 source.pdf - | head -20 # 4. 逐页统计文本长度用来识别空白页和缺页 for i in $(seq 1 128); do n$(pdftotext -f $i -l $i source.pdf - 2/dev/null | tr -d [:space:] | wc -c) echo $i,$n done page_text_len.csv第 4 条命令是整个流程里性价比最高的一步。输出的 CSV 里文本长度为 0 或个位数的页要么是真空白页要么是纯图片扫描页——这两种在分发时处理方式完全不同。空白页通常该剔除扫描页则要保留而且因为没文字层后面的编号核对不能用文本比对得改人工抽查。pdfinfo输出里的Encrypted:字段要重点看。如果是yes说明文件有加密或权限限制qpdf处理时可能需要额外参数某些情况下会直接报错。这类文件建议先在合规前提下拿到可处理的版本别硬拆。3.2 把“发给谁”翻译成一张页码映射表映射表是整个流程的中枢用 CSV 存Excel 能编辑脚本能读。字段设计如下字段含义示例group去向A / B / AB / 留存seq序号补零三位001p_start物理起始页含7p_end物理结束页含40printed_start对应印刷页码1printed_end对应印刷页码34filename输出文件名A组_001_007-040_v1.pdfnote备注如“含总则”含总则 3 页实际内容大概长这样group,seq,p_start,p_end,printed_start,printed_end,filename,note A,001,7,40,1,34,A组_001_007-040_v1.pdf, A,002,95,120,89,114,A组_002_095-120_v1.pdf,含附录 AB,003,121,124,115,118,公共_001_121-124_v1.pdf,两组均发 B,001,41,94,35,88,B组_001_041-094_v1.pdf, 留存,001,125,128,119,122,留存_001_125-128.pdf,含内部批注数据要满足三条硬约束写表的时候就逐条对组内区间不重叠组间要么不重叠、要么显式标 AB所有区间并集加留白恰好覆盖 1 到总页数。第三条可以用一个简单的检查思路验证——把所有区间的页数加起来等于总页数。页数计算别用眼睛估。40 − 7 1 34起始页要加一这是最容易差一的地方。我第一次写这类表的时候40 减 7 写成 33少算一页后面所有文件的页数校验全对不上排查了半小时才发现是表本身错了。所以脚本里一定要有“区间页数 结束 − 起始 1”的统一计算函数不要手填。3.3 按表拆分qpdf 单条与 Python 批量两种写法份数少的时候直接照着表敲命令最快mkdir -p out qpdf source.pdf --pages . 7-40 -- out/A组_001_007-040_v1.pdf qpdf source.pdf --pages . 95-120 -- out/A组_002_095-120_v1.pdf qpdf source.pdf --pages . 121-124 -- out/公共_001_121-124_v1.pdf qpdf source.pdf --pages . 41-94 -- out/B组_001_041-094_v1.pdf qpdf source.pdf --pages . 125-128 -- out/留存_001_125-128.pdf份数多或者要反复跑就用脚本读表驱动import csv from pathlib import Path from pypdf import PdfReader, PdfWriter SRC source.pdf OUT Path(out) OUT.mkdir(exist_okTrue) reader PdfReader(SRC) total len(reader.pages) outputs [] with open(plan.csv, newline, encodingutf-8) as f: for row in csv.DictReader(f): s int(row[p_start]) e int(row[p_end]) assert 1 s e total, f区间越界: {row} writer PdfWriter() # pypdf 用 0 基索引这里是最容易写错的一行 for i in range(s - 1, e): writer.add_page(reader.pages[i]) dst OUT / row[filename] with open(dst, wb) as fp: writer.write(fp) outputs.append((dst.name, e - s 1)) # 页数守恒输出总页数 源页数 重复页数 - 未分发页数 print(源页数:, total) print(输出合计:, sum(n for _, n in outputs)) for name, n in outputs: print(f{name}\t{n})几个必须注意的点。range(s - 1, e)这个写法要盯死少减一个 1 或者少包含一页都会导致整段偏移。assert那行别嫌麻烦它能在跑之前就拦住越界区间。输出目录里的同名文件会被覆盖重跑之前要么清空目录要么在文件名里带版本号别靠“我记得上次没跑完”来判断。如果目标是保留书签和表单qpdf的对象级复制通常比pypdf的页面级重组更稳一些。拆分后书签指向失效是常见现象——书签定义在文档级页面被搬走后原指向可能落在不存在的目标上。不要指望拆完之后书签还全对分发前抽查一下如果书签很重要就单独生成一份目录页随包附带。3.4 第一轮核对文件页层面的硬校验这一轮只核事实不核命名。核三件事每个包的页数、页面尺寸是否一致、总账是否守恒。# 逐文件取页数与映射表比对 for f in out/*.pdf; do p$(pdfinfo $f | awk /^Pages:/ {print $2}) echo $f,$p done check_pages.csv把这份结果和plan.csv里的p_end − p_start 1逐行比任何一行不等就停下来查。常见原因有三个命令里的区间写错、源文件本身页数与预期不符就是那个多扫的空白页、qpdf报错但被链吞掉了没注意。总账校验我用一行awk解决# 输出总页数 awk -F, {s$2} END {print 输出合计:, s} check_pages.csv拿这个数和源文件页数对差值应该正好等于“重复分发页数减未分发页数”。对不上就回到映射表十有八九是某个区间漏写了或者写重了。页面尺寸检查容易被跳过但它在混排文档里很关键——A4 和 Letter 混在一起的文件拆完之后某些页会被阅读器缩放打印出来边界不对。用pdfinfo -f 1 -l 1逐页看太慢可以抽首、中、尾三页对比Page size字段不一致就说明源文件本身是混排的得在交付说明里注明。3.5 第二轮核对编号层面的软校验这一轮核的是“名字和内容对不对得上”。做法是给每个包定两个锚点首页的一个特征字符串、末页的一个特征字符串。锚点从源文件的抽页结果里取写进映射表或者单独一张锚点表。# 抽首页前几行做人工比对 pdftotext -f 1 -l 1 out/A组_001_007-040_v1.pdf - | head -8 # 抽末页最后几行 pdftotext -f 34 -l 34 out/A组_001_007-040_v1.pdf - | tail -8看到首页写着“第三章 采购流程”而不是“第二章”立刻就知道偏移算错了。这一步纯人工看看着笨但它是唯一能抓住“页数全对、内容全错”这种事故的手段。页数校验只能证明你没切多切少不能证明你切对了地方这两件事必须分开做。如果锚点是稳定的页脚数字可以写成比对逻辑把抽出的末页文本做一次正则匹配取出第\s*(\d)\s*页的数字和映射表里printed_end比。匹配不上就报警。这在几十份文件的场景里能省掉大量肉眼比对。3.6 分发前的封包与留痕最后一步是把“发出去”这件事做成可追溯的。我会给每个包算一个哈希写进清单sha256sum out/*.pdf manifest.sha256清单里三样东西必备文件名、页数、哈希。收件人反馈问题时让他报哈希前六位你一秒就能确认他手上是哪一版省掉“你打开看看第一页写的是什么”这种来回。如果要发给组内多个人别逐个发文件发一个压缩包加清单压缩包本身也算一个哈希这样“包有没有被改动过”也可查。另外建议留一份不对外的合并对照文件把源文件里所有非“留存”页按顺序合成一个“已分发全量”文件存档。将来要回答“这一页到底发没发出去”打开这一个文件就能确认不用去翻五六个包。4. 核对实录两类错最要命怎么提前发现4.1 文件页错位封面、目录、扫描缺页、空白背面文件页层面的错误有个共同特点——它不报错。文件能打开、页数看着也对就是内容整体挪了位。我整理了几种高频成因和对应的检测手段现象常见成因检测手段整段内容偏移固定页数前置封面目录未计入按印刷页码切了抽首末页文本对锚点末尾少若干页扫描多出空白背面实际页数大于预期逐页文本长度统计看末尾异常页中间缺一页双面扫描漏扫或原文件本身缺页印刷页码连续性检查某页方向不对横向页未旋转对比Page size与Page rot拆出的包体积异常大区间写错把整本切进去了页数校验直接拦住最隐蔽的是“双面扫描漏扫”。文档看着完整页数也对但中间某一页的背面没扫进去导致后面所有印刷页码比物理页多 1。这种错在整本核对时几乎看不出来只有当你把印刷页码和物理页序一一列出、发现某个点开始偏移量变了才会暴露。所以偏移量不是算一次就完事要在文档的头、中、尾各取一个点验证这是我踩过坑之后固定下来的动作。空白页的处理也要提前定规则。扫描件里每张纸的背面都会产生一个空白页直接按物理页切包里就会夹着一堆空白收件人翻起来很难受。但不能无脑删空白页——有些空白页是版式设计的一部分章节之间的隔页删了会破坏打印时的对页关系。我的做法是先用文本长度统计把所有空白页列出来人工过一遍确认哪些是扫描背面、哪些是设计隔页然后在映射表里把要删的页单独标出来不靠脚本自动判断。4.2 编号错位名字对了内容错了编号层面的错更阴险因为文件看起来完全正常。三种典型第一种是整体偏移命名里的007-040和实际内容差了几页通常源于映射表里的起始页算错或者偏移量没减。第二种是重号两份文件都叫001一般是循环里变量没更新或者手工复制命令时忘了改。第三种是跳号001之后直接003中间那份因为区间越界被assert拦掉了但脚本继续往下跑输出目录里就少了一个。重号和跳号用一行命令就能查ls out/*.pdf | sed s/.*_\([0-9]\{3\}\)_.*/\1/ | sort | uniq -c | awk $1 ! 1输出为空说明序号无重复有输出就逐条看。跳号则要拿实际序号列表和映射表的预期序号列表做diff不能只看最大值。整体偏移只能靠锚点比对。这里有个效率技巧不要每个包都从头看到尾只看首页第一段和末页最后一段。首页能确认起点对不对末页能确认终点对不对两头都对中间几乎不会错除非源文件本身顺序乱了那种情况在摸底阶段就该发现。4.3 一套可以直接抄的三轮校验清单我把上面这些固化成三轮每轮有明确的通过标准和不通过的处理动作轮次检查项工具通过标准不通过怎么办第一轮源文件页数、加密状态、文字层pdfinfo、pdftotext页数与预期一致无加密重新取源文件别硬拆第一轮逐页文本长度分布shell 循环空白页已人工确认并标注回到映射表调整区间第二轮每个输出包页数pdfinfo循环与映射表逐行相等检查命令区间与起止计算第二轮输出页数总和awk求和等于守恒公式结果查映射表漏写、重写第三轮序号唯一、连续uniq -c、diff无重复、无跳号重跑脚本清空输出目录第三轮首末页锚点pdftotext抽查与映射表锚点一致全量重拆别局部修补交付前哈希清单sha256sum清单与文件一一对应重新生成清单三轮的顺序不能乱。第一轮是源文件体检第二轮是产物体检第三轮是标签体检。前一轮不通过就不要进下一轮否则错误会层层叠加最后排查成本成倍上升。5. 常见问题与排查速查表5.1 拆分后少了页、多了空页、书签失效少了页先看输出目录里文件数对不对再看单个文件页数。如果文件数对、页数少基本是区间计算差一如果文件数就少多半是某条命令报错被吞了或者脚本里的assert拦掉了。养成一个习惯拆分命令后面加echo done之类的标记或者干脆用set -e让脚本遇错即停。多了空页回到 3.1 的逐页文本统计把空白页列表和映射表对齐。注意qpdf的区间是闭区间7-40包含两端这一点和 Python 的range语义不同混用时最容易多切一页。书签失效前面提过页面被重组后书签的指向可能悬空。如果书签是硬需求考虑用qpdf的对象级复制而不是页面重组或者拆完之后用工具重建一份简化书签。实践中我一般不做重建而是在每个包前面加一页“本包目录”把区间和内容范围写清楚比依赖书签更可靠。5.2 加密、权限与体积异常pdfinfo显示Encrypted: yes时先确认是真的加密还是仅设了权限。仅设权限比如禁止编辑的文件多数工具仍能读取但某些操作会受限。这类文件不要试图绕过限制去处理合规做法是向文件提供方索取一个可正常处理的版本。这一条没有变通空间。体积异常有两种。一种是拆出来的包比预期大很多通常是区间写错把整本切了进去页数校验能直接拦住。另一种是拆出来的包比预期小很多可能是页面里的图片资源没被正确引用。qpdf的对象级复制一般不产生这个问题页面级重组工具有时会出现拆完记得打开抽查有图的页。5.3 扫描件没有文字层编号怎么核没有文字层pdftotext抽出来是空的锚点比对就失效了。这时候只能靠人工抽查打开每个包的首末页用眼睛看页脚数字和章节标题。份数多的时候可以用截图拼图的方式批量比对——把每个包的首末页导出成小图拼成一张总览图一屏看十几份效率比逐个打开高得多。另外如果扫描件本身带 OCR 文字层但质量很差pdftotext会抽出乱码正则匹配页码可能失败。这种情况不要强行写脚本判断宁可人工看也别让脚本给出一个“通过”的假结论。自动校验的价值在于不漏不在于快一旦发现它在某些文件上不可靠就果断退回人工。5.4 分发环节最容易踩的四个坑第一只发了文件没发清单。收件人不知道总共几份、自己该收几份少一份也无从察觉。清单必须随包走。第二两组文件放在同一个链接里。哪怕文件名带前缀也是把“谁该看什么”交给了自觉。正确做法是两个独立位置各自只放本组的内容。第三用聊天工具直接传没有版本标识。文件被转存、改名、再转发之后就彻底失去追溯能力。清单里的哈希就是为这个准备的。第四留存页混进了分发包。这类事故后果最重而且往往在发出很久之后才被发现。防的办法只有一个拆分时把“留存”单独输出到一个不参与打包的目录打包命令只作用于分发目录物理隔离不靠人记。我在实际做这类分发时最大的体会是真正花时间的不是“拆”而是“确认拆对了”。工具的语法十分钟就能学会但那三轮核对、那张映射表、那份哈希清单才是让这件事能反复做、做得住的东西。下次再遇到“一份文件发两组人”的活建议先把 3.1 那几条探测命令跑一遍把页数和偏移量写在纸上再动手切。慢这五分钟后面能省掉一整轮返工。
