python - pypdf 将多个pdf文件合并为一个pdf

Question

如果我有 1000 多个 pdf 文件需要合并为一个 pdf，

from PyPDF2 import PdfReader, PdfWriter

writer = PdfWriter()

for i in range(1000):
    filepath = f"my/pdfs/{i}.pdf"
    reader = PdfReader(open(filepath, "rb"))
    for page in reader.pages:
        writer.add_page(page)

with open("document-output.pdf", "wb") as fh:
    writer.write(fh)

执行上面的代码，当reader = PdfReader(open(filepath, "rb")),

错误信息:IOError: [Errno 24] 打开的文件太多:

我认为这是一个错误，如果不是，我该怎么办？

Answer 1

我最近遇到了同样的问题，所以我研究了 PyPDF2 以了解发生了什么以及如何解决它。

注意:我假设 filename 是格式正确的文件路径字符串。假设我的所有代码都一样

简短的回答

使用 PdfFileMerger() 类而不是 PdfFileWriter() 类。我已尝试提供以下内容以尽可能与您的内容相似:

from PyPDF2 import PdfFileMerger, PdfFileReader

[...]

merger = PdfFileMerger()
for filename in filenames:
    merger.append(PdfFileReader(file(filename, 'rb')))

merger.write("document-output.pdf")

长答案

您使用 PdfFileReader 和 PdfFileWriter 的方式是保持每个文件打开，并最终导致 Python 生成 IOError 24。更具体地说，当您添加PdfFileWriter 的页面，您将在打开的 PdfFileReader 中添加对页面的引用(因此，如果您关闭文件，则会出现记录的 IO 错误)。 Python 检测到该文件仍被引用，并且尽管重新使用文件句柄，但不会执行任何垃圾收集/自动文件关闭。它们保持打开状态，直到 PdfFileWriter 不再需要访问它们，这在您的代码中的 output.write(outputStream) 处。

要解决此问题，请在内存中创建内容副本，并允许关闭文件。在我的 PyPDF2 代码冒险中，我注意到 PdfFileMerger() 类已经具有此功能，因此我没有重新发明轮子，而是选择使用它。不过，我了解到，我最初对 PdfFileMerger 的看法还不够接近，而且它仅在特定条件下创建副本。

我最初的尝试如下所示，并导致相同的 IO 问题:

merger = PdfFileMerger()
for filename in filenames:
    merger.append(filename)

merger.write(output_file_path)

查看PyPDF2源码，我们看到append()需要fileobj来传递，然后使用merge()函数，传入它的最后一页作为新文件的位置。 merge() 使用 fileobj 执行以下操作(在使用 PdfFileReader(fileobj) 打开它之前:

    if type(fileobj) in (str, unicode):
        fileobj = file(fileobj, 'rb')
        my_file = True
    elif type(fileobj) == file:
        fileobj.seek(0)
        filecontent = fileobj.read()
        fileobj = StringIO(filecontent)
        my_file = True
    elif type(fileobj) == PdfFileReader:
        orig_tell = fileobj.stream.tell()   
        fileobj.stream.seek(0)
        filecontent = StringIO(fileobj.stream.read())
        fileobj.stream.seek(orig_tell)
        fileobj = filecontent
        my_file = True

我们可以看到 append() 选项确实接受一个字符串，并且在这样做时，假定它是一个文件路径并在该位置创建一个文件对象。最终结果与我们试图避免的事情完全相同。 PdfFileReader() 对象保持打开文件直到文件最终被写入!

但是，如果我们将文件路径字符串的文件对象 或 设为 PdfFileReader^{(参见编辑 2)} 路径字符串的对象在它被传递到 append() 之前，它会自动为我们创建一个副本作为 StringIO 对象，允许 Python 关闭文件。

我会推荐更简单的 merger.append(file(filename, 'rb'))，因为其他人报告说 PdfFileReader 对象可能会在内存中保持打开状态，即使在调用 writer.close().

希望这有帮助!

编辑:我假设您使用的是 PyPDF2，而不是 PyPDF。如果你不是，我强烈建议切换，因为 PyPDF 不再维护，作者在开发 PyPDF2 时给予 Phaseit 官方祝福。

如果由于某种原因您无法切换到 PyPDF2(许可、系统限制等)，那么您将无法使用 PdfFileMerger。在这种情况下，您可以重新使用 PyPDF2 的 merge 函数(上面提供)中的代码来创建文件的副本作为 StringIO 对象，并在您的代码中使用它代替文件对象。

编辑 2: 以前使用 merger.append(PdfFileReader(file(filename, 'rb'))) 的建议根据评论更改(谢谢@阿戈斯蒂诺).