
这个工具解决什么问题
写标书、写论文、做尽调的人几乎都遇到过一次:手上有一份 40 页的技术方案或合同,想让 AI 帮你总结要点、找出前后矛盾、或者核对某一版改了哪几句。最直接的做法是 Ctrl+A 全选复制,粘进对话框。可粘进去之后有两种结果,一种比一种难受。第一种是直接提示超出长度,让你删减——删哪一段?删掉的正好是要问的那段怎么办?第二种更隐蔽:它收下了,但只读了前面一部分,回答得头头是道却漏了第八章的风险条款,你信了,交上去才发现。手工切成若干段也不是不行,可切完就乱了:第 3 段对应原文哪一页?AI 说「方案里写了漏检率千分之三」,你要翻回去核对,只能在 40 页里一页页找。这个工具干的就是这两件苦力活:按你给的字数把文档切成片,每片标好「第几页到第几页」,复制出去就带着这行标签,AI 回答完之后你能立刻翻回原文。
- 原来的做法:Ctrl+A 全选粘进对话框,被提示超长再回来删;或者手工一段段复制,切完不知道哪段对应哪页;AI 引用了某句话,又要从头翻一遍原文核对
- 用这个工具:双击程序 → 选文件(或直接粘贴剪贴板)→ 设一个每片字数 → 列表里就是切好的若干片,每片标着页码范围 → 点某一片,右边看正文,点「复制这一片」直接粘给 AI
- 省下来的:一份 40 页的文档从「切半小时还切乱」变成十几秒切好,而且每片都带页码定位;核对 AI 的说法时不用再翻原文找,看标签就知道该翻哪几页
技术实现
整个程序分三层,边界很清楚:pdf_reader.py 与 docx_reader.py 只负责「把文件变成文字」,core.py 只负责「把文字切成片、算 token、导出」,gui.py 只负责把结果摆到窗口里。这样拆不是为了好看,是因为取字这一层在真实世界里非常脏——PDF 有压缩对象流、有 Type0 字体、有 CMap 缺失、有扫描件、有 xref 坏掉的增量更新;这些情况必须能在没有界面的前提下用断言一条条钉死,否则每改一次都要靠人点界面去试。技术上最大的一个取舍是「不引第三方库」:PyMuPDF、pdfplumber 确实更强,但会把运行版从十几兆撑到六十兆以上,还要处理许可证,而这个工具只需要「按页拿到文字」,用标准库的 zlib 自己解内容流是划得来的。界面这一层的关键不在长相,而在不能卡:40 页 PDF 解析要一两秒,放在按钮回调里点一下界面就白掉,所以读文件与切片都在后台线程里跑,结果用 queue 送回主线程再动控件。
- 不信 xref 表,直接扫所有 "N 0 obj",再展开 /ObjStm:PDF 的交叉引用表在增量更新、被别的软件重写过、或者下载时截断过之后经常是坏的,按 xref 找对象会漏。这里改用暴力扫描:正则找所有对象头,按编号存起来(同号取最后一次,符合增量更新的语义)。现代 PDF(Word / WPS / Chrome 导出)还会把页面字典、字体字典压进 /ObjStm 对象流里,所以要额外读 /ObjStm 的 /N 与 /First,把里面的对象按偏移量切出来补进表里。少了这一步,页数能数对但一个字都取不出来——自测里专门造了一份带对象流的 PDF 来钉这条。
- 中文 PDF 存的是字形编号,必须查 /ToUnicode 才能还原成汉字:Type0 + Identity-H 编码的字体,内容流里写的是 <0795> 这样的字形编号(CID),不是 Unicode。要还原就得读字体自带的 /ToUnicode CMap:beginbfchar 是一条条映射,beginbfrange 是区间映射(目标可以是递增的,也可以是一个数组逐个列出),解析时两种都要认。没有 CMap 的字体只能按码位硬猜,猜不出来的计入 unknown,超过阈值就在界面上提示「这个 PDF 的字体缺少对照表,部分文字可能显示不全」——宁可提前说清楚,也不要让人拿到一份缺字的稿子。
- 靠字宽表判断空格,否则「智能制造」会被拆成「智 能 制 造」:Chrome、WPS 导出 PDF 时,每个汉字都是单独一次 Td 定位的,位移量正好一个字宽。如果按「位移大于 0 就补空格」,四个字就会变成四个带空格的片段,看着像乱码。正确做法是拿字体的 /W(CID 字体)或 /Widths(简单字体)算出这个字应该推进多少,再和实际位移比:超出约 0.2 个字宽才算真空格。第一版没做这一步,抽出来的中文全是空格缝,是这次花时间最多的一个坑。
- 版面还原只做两件事:纵向变了换行、横向多出一截补空格:Td / TD / Tm 的 y 变化与 T* 都算换行;TJ 数组里的负数(单位 1/1000 em)乘以字号得到位移,位移超过 0.2 个字宽就标记「这里本该有个空格」。行内其它情况一律不加字符,不做重排版面。这样抽出来的文字顺序与内容流一致,双栏排版会按「先左栏后右栏」的顺序输出,不会串行——但也因此不会自动按视觉位置重排,这是已知局限。
- 切片优先切在句末,并把字符位置映射回页码:按字数硬切会把一句话劈成两半,两片都不完整,模型的回答就跟着走偏。所以切点先在目标位置往回 25% 的窗口里找句末标点(。!?;…),找不到才硬切。每片还要能说出「第几页到第几页」:拼长串时记录了每个字符属于哪个定位单元(PDF 的一页、Word 的一段、文本的一块),切完用二分查出首尾字符落在哪个单元,再拼成「第 3–5 页」。相邻片的重叠量会往后再挪到最近的句末,避免下一片从半句话开始;剩下不足 12% 的尾巴直接并进最后一片,不产生几十字的残片。
- token 估算沿用站内《文本 Token 数估算器》的实测系数:汉字按 0.66 token/字(中文模型口径)、英文字母按 4 个 1 token、数字按 3 位 1 token、标点 0.6、换行 0.2。这套系数是在 1807 个汉字的真实语料上拿 cl100k / o200k 分词器标出来的,站内另一个工具用的是同一套,两个工具给出的数字不会互相打架。估算只做量级参考,页面上也写明了不同模型分词器不同、差 20% 很正常。
- 所有耗时动作在后台线程,结果经 queue 回主线程:tkinter 不是线程安全的,在工作线程里直接动控件会随机崩或花屏,而且这种崩溃很难复现。所以读文件、切片都在 threading.Thread 里做,算完把结果 put 进 queue,主线程用 after(60) 轮询取出来再更新表格。按钮在执行期间统一置灰,顶部显示「正在读取 xxx.pdf…」,不会出现点了没反应、用户又点一次的情况。
技术栈:Python 3.12(运行期只用标准库)、tkinter 图形界面、zlib + 自写内容流解析做 PDF 取字、zipfile + ElementTree 读 .docx、PyInstaller 单文件打包(--noconsole)
已知局限:扫描件(图片型 PDF)取不出文字,会直接提示需要先做 OCR;老版 .doc 格式不支持,请另存为 .docx 或直接复制粘贴;PDF 的竖排文字、跨栏表格、图注与正文混排时,文字顺序按内容流来,可能与视觉顺序有出入;Word 文档里没有「页」的概念,只能用「第 N 段」定位;token 是估算值,不构成计费依据;单个文件建议在 300 页 / 20 兆以内,更大的文件解析会明显变慢。
同类软件对照
下面几款都是公开可查的同类软件,定位各不相同。这里只说明各自的定位,以及本工具在其中的位置,方便你判断哪一类更契合自己的用法。
| 软件 | 它的定位 | 本工具的定位 |
|---|---|---|
| Adobe Acrobat | 商业 PDF 客户端,功能覆盖阅读、编辑、拆分、导出文本与 OCR | 本工具只做一件事:把长文档切成带页码的小片。不需要装几百兆的客户端,解压双击就能用;切完直接给「复制这一片」,不用再想怎么把文字弄到对话框里。 |
| Stirling PDF | 开源的 PDF 工具箱,可自建,提供拆分、合并、转换、OCR 等一批功能 | Stirling 按页拆分,切完是一堆 PDF 文件;本工具按字数切,切完是能直接粘给 AI 的纯文本,并且算好每片的 token 与上下文占比。前者面向归档,后者面向喂模型。 |
| MinerU / marker 等文档解析工具 | 面向大模型的文档转 Markdown 工具,擅长还原表格、公式与版面结构 | 那类工具的目标是「把 PDF 变成结构化的 Markdown」,通常要装 Python 环境和模型权重;本工具只做取字与切片,单文件 exe、离线可跑,适合「我只想快点把这段内容问一下 AI」的场合。 |
| 在线 PDF 拆分 / 在线文档转换网站 | 浏览器里上传文件即可处理,不用装软件 | 本工具全程在本机跑,文档不出本机——标书、合同、内部方案这类文件上传到别人服务器是有顾虑的;另外本地处理没有文件大小与次数限制,也不依赖网络。 |
以上仅作定位对照,各软件的可用性、授权方式与功能范围请以其官方页面为准。
操作教程
- 解压后双击「长文档切片助手.exe」
不需要安装 Python 或任何运行库。也可以把 PDF / Word 文件直接拖到 exe 图标上启动,文件会自动读入并切好。
预期结果:窗口打开,左边是空的切片列表,右边显示一段操作提示 - 点「打开文件…」选中文档
文件对话框默认列出 PDF、Word(.docx)、文本、网页这几类。也可以不选文件:在 PDF 阅读器或网页里全选复制,然后点「从剪贴板粘贴」。
预期结果:顶部出现文件名、类型、页数(或段数)、总字数;下面的列表按每片 1200 字切好,一行一片 - 看顶部那句预算提示
右边会算出「全文约 X token ≈ 上下文的 Y%」。超过 100% 就说明整篇塞不进去,得按片喂;不到 100% 说明一次能装下,切不切都行。上下文上限那一栏可以按你用的模型改。
预期结果:例如一份 8 页方案显示「全文约 3,093 token ≈ 上下文的 2%(整篇一次就能装下)」 - 要切细一点就改「每片字数」,再点「重新切分」
常用值是 1200,喂小上下文模型可以调到 600~800,喂长上下文的模型可以调到 3000。重叠字数默认 120,作用是让相邻两片有一点共同的上下文。
预期结果:列表立刻重算,片数跟着变,每片的字数和 token 都重新显示 - 点列表里的某一片,右边看正文
右侧标题栏写着「第 2 片 / 共 5 片 · 第 2–4 页 · 1,196 字 · 约 691 token」,正文就是这一片的内容,可以直接拖选一小段,也可以用下面那颗按钮整片复制。
预期结果:正文与列表里的位置标签对得上;滚动条能翻完整片 - 点「复制这一片」粘进 AI 对话框
复制出去的内容第一行是「【来源】文件名 · 第 2–4 页 · 第 2/5 片」,AI 回答时往往会带上这一行,你就能直接翻回原文核对。不想要这行标签,把左下角「复制时带来源标记」的勾去掉。
预期结果:粘进对话框后第一行就是来源标记,下面是正文 - 要留档就点「导出全部切片…」选一个文件夹
每片导出一个 txt(文件名带序号与页码),另外生成一个「_切片索引.txt」,里面列出每片的位置、字数、token 和开头。文件是带 BOM 的 UTF-8,记事本和 Excel 打开都不乱码。
预期结果:弹窗告诉你导出了多少个文件、存在哪里
常见问题
技术实现与后续维护
程序按「取字 / 切片 / 界面」三层拆开,取字层完全不含窗口代码。这意味着以后要加一种文件格式,只动取字层;要改切片规则,只动 core.py;两边都不会牵连界面。运行环境只有一条要求:Windows 10/11 64 位,不需要装 Python、不需要装任何运行库,解压双击即可。每次改动后先跑不依赖界面的自测(48 项断言:PDF 普通对象与对象流两种形态、中文还原、空格判定、Word 段落与表格、编码嗅探、切片边界与重叠、导出编码、预算文案),再跑界面冒烟(26 项:列表、预览、复制到剪贴板、导出、参数校验、错误提示、重切),两项都过才重新打包。取字层如果要动,务必先用新样本跑一遍自测——PDF 的兼容性问题是靠样本覆盖出来的,不是靠推理想出来的。
可扩展方向:
- 支持 .doc(老版 Word):接一个 antiword 或 LibreOffice 的转换前置步骤,把 .doc 先转 .docx 再走现有流程
- 支持 .xlsx / .csv:一个工作簿按行切片,每片标「工作表 + 行号范围」,适合把长表格喂给 AI 做统计
- 加「按章节切」:识别 PDF 里的标题行(字号明显大于正文、或匹配「第X章」),按章节边界切片而不是按字数
- 加「一键问 AI」:接一个可配置的 API 地址,把当前片直接发过去,把回答显示在右下角的小窗里
- 加「批量处理」:选一个文件夹,把里面的 PDF 全切一遍并各导出一个索引,适合整理资料库
本工具免费提供使用,功能完整、不设限制。如果你需要在本工具基础上做功能调整、对接内部系统或长期维护,可以联系我们做二次开发。
需要其它功能?可以定制
这个工具只做一件事:把一份几十页的 PDF 整篇粘给 AI,要么被上下文长度顶回来,要么被前端悄悄截断——截在中间你还以为它读了全文,出问题又找不到是哪一页。如果你的场景还需要别的处理,可以联系我们做二次开发,按你的实际数据格式和流程定制。
常见的定制需求:
- 按固定模板输出:每片开头带上项目名、版本号、机密等级,适配公司内部的资料流转规范
- 切片规则改成「按条款切」:合同类文档按「第X条」切,一片一条,方便逐条比对
- 与现有系统对接:切片完成后自动调用内部知识库接口入库,省掉手工上传
- 把「复制这一片」改成「复制并附上一段固定提问」,比如自动带上「请按以下要求总结本段」的提示词
- 联系方式:邮箱/微信见站内「联系我们」页面,或在本文下方留言
- 定制说明:请附上你的数据样例(脱敏即可)和期望结果,方便快速评估工作量
- 交付形式:定制项目交付可执行程序,支持后续版本迭代与长期维护
使用说明与免责声明
- 本工具在本地运行,不联网、不上传任何数据到服务器。
- 涉及文件改写的功能,请在使用前备份原始文件。
- 软件完全免费,可自由使用与转发,请勿用于倒卖。
- 因误操作造成的数据问题请自行承担。
请自行确认对所处理文档拥有合法使用权。本工具只做本地文本提取与切分,不破解、不解密、不绕过任何文档保护;对带密码或权限限制的 PDF 不做处理。切片与 token 数值均为参考结果,重要文档请以原文为准。

