用 WorkBuddy 拆分合并PDF：118页诉讼资料一键拆分为独立文书

一、背景

上一篇文章里我提到用 WorkBuddy 整理案卷文件、按时间排序命名。但整理过程中发现了一个新问题：有份118页的PDF文件，里面合并了10份不同的法院判决书和裁定书，全都堆在一个文件里。

这份文件叫"当事人间案诉讼资料集合.pdf"，打开一看，第1页是一份撤诉裁定，第2-20页是另一份二审判决，第21页又变成了新案子的一审判决……翻起来非常痛苦，想引用某份判决还得记住"大概在第几页"。

于是我对 WorkBuddy 说：

"把甲公司案-法院判决裁定文件汇总里面的文件拆分，每一个裁定书或者判决书都是单独的一个PDF，按照案号等信息来编号。"

二、拆分思路

WorkBuddy 拆分合并PDF的核心逻辑分三步：

1. 第一步：逐页渲染——把118页全部渲染成图片，因为扫描件没有文字层

2. 第二步：视觉识别——逐页查看图片，识别每页属于哪份文书（通过案号、文书标题、法院名称等关键信息判断文书边界）

3. 第三步：按边界拆分——根据识别结果，用 PyMuPDF 的 insert_pdf 方法把指定页码范围提取为独立PDF

三、实操过程

第一步：全量渲染采样

118页全部高分辨率渲染会生成大量图片，WorkBuddy 采取了先采样后精查的策略：

· 先每隔10页渲染一张（第1、10、20、30...页），快速了解整体结构

· 再对疑似文书边界的区域逐页渲染，精确定位

核心代码逻辑如下：

import fitz  # PyMuPDF doc = fitz.open("诉讼资料集合.pdf") # 采样渲染：每隔10页 sample_pages = list(range(0, 118, 10)) + [117] for i in sample_pages:     page = doc[i]     pix = page.get_pixmap(matrix=fitz.Matrix(1.5, 1.5))     pix.save(f'/tmp/集合_p{i+1:03d}.png') doc.close()

【截图位置：插入WorkBuddy渲染采样页面的对话截图】

第二步：识别文书边界

通过逐页查看渲染的图片，WorkBuddy 识别出10份独立文书的页码边界：

注意第8和第7行：同一个案号XXXX号有两份不同文书（一份裁定书、一份判决书），这就是合并PDF常见的问题——不同文书混在一起，不拆分根本没法管理。

第三步：执行拆分

边界确定后，拆分本身很快。核心代码：

import fitz import os source = "诉讼资料集合.pdf" output_folder = "甲公司案-法院判决裁定文件汇总" # 文书边界定义：(起始页, 结束页, 文件名) documents = [     (0, 0, "(2022)鄂0103民初XX号_民事裁定书-撤诉.pdf"),     (1, 19, "(2021)鄂01民终XXXX号_民事判决书-房屋租赁二审.pdf"),     (20, 57, "(2021)鄂0103民初XXXX号_民事判决书-合同纠纷.pdf"),     # ... 其余7份 ] doc = fitz.open(source) for start, end, filename in documents:     output_path = os.path.join(output_folder, filename)     if os.path.exists(output_path):         continue  # 跳过已存在的文件     new_doc = fitz.open()     new_doc.insert_pdf(doc, from_page=start, to_page=end)     new_doc.save(output_path)     new_doc.close()     print(f"创建: {filename} ({end-start+1}页)") doc.close()

关键是 fitz.open() 创建空文档后用 insert_pdf(doc, from_page=X, to_page=Y) 插入指定页码范围，非常简洁。

第四步：清理重复文件

拆分完成后发现几个问题：

· 有2份文件与拆分前已存在的文件内容完全相同（通过MD5校验确认），属于重复文件，删除掉

· 原合并文件已备份到子文件夹后删除，避免混淆

· 3份鄂民抗XX号文件（完整版、扫描版、证据版）内容有细微差别（签字盖章、标注不同），全部保留

【截图位置：插入拆分后的文件夹截图，展示10个独立PDF文件】

四、关键技术点

1. 扫描件 vs 文本PDF的判断

page.get_text().strip() 返回空字符串或长度极短，基本可以判定为扫描件。这时需要渲染为图片进行视觉识别。

2. 采样策略

118页全部高分辨率渲染会生成大量图片，消耗也大。先每10页采样一张快速了解整体结构，再对关键区域逐页精查，是效率与准确性的平衡。

3. 文书边界判断

判断一份文书的起始页，主要看以下特征：

· 页面上出现"民事判决书""民事裁定书"等文书标题

· 出现新的案号（如"(2021)鄂01民终XXXX号"）

· 页面格式、字体、排版突然变化

· 文书结尾通常有审判员签名、日期、书记员署名

4. 备份优先

拆分前一定先备份原文件。我的做法是在同一目录下创建"_备份_合并原文件"子文件夹，把原文件复制过去，确认拆分无误后再删除。

五、效果

最终从1个118页的合并PDF，拆分出8个新的独立PDF（另有2个与已存在文件重复，已删除）。加上之前已有的文件，文件夹里现在每个PDF都是一份独立的判决书或裁定书，文件名包含案号、文书类型、当事人信息，一目了然。

以前要在118页里翻找某份判决，现在直接看文件名就能定位。后续做质证意见、案件分析时引用起来特别方便。

六、总结

法律工作中经常会遇到合并PDF——对方律师发来的材料集、法院送达的电子卷宗、自己扫描合并的案卷，经常是好几份文书混在一个文件里。手动拆分需要逐页翻找、复制粘贴，118页至少得花1小时。

用 WorkBuddy 一句话搞定，核心就是"渲染识别 → 定位边界 → 按范围提取"三步。关键是它能把扫描件也处理得很好，不依赖文字层。

如果你也经常处理合并PDF，强烈建议试试。尤其是律师、法务、企业行政等需要大量整理扫描文档的岗位，这个功能的提效非常实在。

本文基于真实案件材料处理过程撰写，已隐去当事人敏感信息。