小微企业用 Stirling-PDF 自建 PDF 工具箱：合并拆分压缩水印 OCR 与本地化部署避坑

摘要：合同发票 PDF 处理不必上传第三方，用 Stirling-PDF 自托管，合并、拆分、压缩、水印、OCR 一键完成，数据不出内网。

一、为什么企业该自建 PDF 工具

财务每月要把几十张发票合并成一个 PDF 报销，行政要把标书加水印防泄，销售要把产品册压缩到邮件能发。这些需求每天都在发生，但多数公司依赖网页版"免费 PDF 工具"，文件先上传到别人服务器再下载——合同、报价、客户名单全泄露了。

Stirling-PDF 是开源的本地 PDF 处理套件，提供 50+ 功能，所有运算都在你自己的服务器完成，数据零外传。对小企业来说，一台 2 核 4G 的迷你主机就能跑，比买商业 PDF 软件划算得多。

二、Docker Compose 部署

官方镜像当前为 stirlingtools/stirling-pdf（旧名 frooodle/stirling-pdf），用 Docker Compose 拉起：

version: "3.8"
services:
  stirling-pdf:
    image: stirlingtools/stirling-pdf:latest
    container_name: stirling-pdf
    ports:
      - "127.0.0.1:8080:8080"
    environment:
      - SPRING_PROFILES_ACTIVE=docker
      - LANGS=zh_CN,en_US
      - ENABLE_OCR=true
      - OCR_LANGUAGES=chi_sim+eng
      - SYSTEM_DEFAULTLOCALE=zh_CN
      - UI_APP_NAME=企业PDF工具箱
    volumes:
      - ./trainingData:/usr/share/tessdata
      - ./configs:/configs
      - ./pipeline:/pipeline
      - ./customFiles:/customFiles
    restart: unless-stopped

注意 ports 只绑定 127.0.0.1，这是安全红线——绝不能把 8080 直接暴露公网，反向代理放在后面再说。

三、开启中文 OCR

Stirling-PDF 的 OCR 基于 Tesseract。默认镜像只带英文语言包，处理中文会乱码。两个办法：

在 environment 设 OCR_LANGUAGES=chi_sim+eng，让应用在启动脚本里尝试下载语言包（需联网一次）；
手动把 chi_sim.traineddata 放到挂载的 trainingData 卷（对应容器内 /usr/share/tessdata），重启容器。

实测一份 12 页扫描合同，开启中文 OCR 后文本可被全文搜索、可复制，但首屏识别约耗时 8–15 秒，取决于 CPU。建议给容器至少 2 核，否则排队明显。

四、核心功能实战

合并（Merge）：拖动多份 PDF，按文件名或拖拽顺序合成，支持统一页眉页脚。
拆分（Split）：可按每 N 页切，也可按书签/特定页码提取，标书拆章节很实用。
压缩（Compress）：扫描件常见 20MB+，用 Ghostscript 后端压到 1/5，邮件秒发。
水印（Watermark）：批量加"机密/草稿"斜字或图片 LOGO，防截图外传。
转换（Convert）：PDF↔图片、PDF→Office（依赖 LibreOffice，需额外挂载）、PDF 加/去密码。
安全（Security）：加密、去元数据（清掉作者/公司名，避免泄密）、去签名。

五、安全与访问控制

Stirling-PDF 社区版没有账号体系，所以不能裸奔。正确做法：

容器只监听 127.0.0.1，前面放 Nginx/Caddy 反代；
反代层套一层 Authelia 或 Basic Auth，让内部员工凭账号登录；
若需外网访问，务必走 VPN（如 WireGuard）而非直接开端口；
挂载的 pipeline 目录是临时文件区，配定时任务每天清空，避免堆积敏感 PDF。

六、常见坑

坑一：OCR 中文乱码——忘了装 chi_sim 语言包，认准 tessdata 路径。
坑二：PDF 转 Office 失败——未挂载 LibreOffice，需加 libreoffice 服务或本地安装。
坑三：内存溢出——大文件（>200 页）建议设 JAVA_TOOL_OPTIONS=-Xmx2g 提堆内存。
坑四：上传即公网可见——ports 误写成 8080:8080（无 127 限制），被扫到就裸奔。

七、和归档、协作系统的分工

企业文档处理通常分三层：Stirling-PDF 负责"单文件加工"（合并/拆分/压缩/水印），文档归档系统负责"检索留存"，在线 Office 负责"多人编辑"。三者挂在同一反代后，文档从接收、加工、归档到协作的流水线就闭环了。

小结

Stirling-PDF 用一台小主机就能给全公司提供合规、安全的 PDF 处理能力，数据不出内网。部署记住三句话：镜像挂中文包、端口只绑回环、反代加鉴权。把它纳入企业文档中台，财务行政每天省下的时间很可观。