python - PyPDF2:在内存中连接pdf

Question

我希望在纯 python 的内存中有效地连接(附加)一堆小pdf。具体来说，通常的情况是将 500 个单页 pdf，每个大小约为 400 kB，合并为一个。假设 pdf 可作为内存中的可迭代对象使用，比如一个列表:

my_pdfs = [pdf1_fileobj, pdf2_fileobj, ..., pdfn_fileobj]  # type is BytesIO

其中每个 pdf_fileobj 的类型为 BytesIO。然后，基本内存使用量约为 200 MB(500 个 pdf，每个 400kB)。

理想情况下，我希望以下代码使用总共不超过 400-500 MB 的内存(包括 my_pdfs )进行连接。然而，情况似乎并非如此，最后一行的调试语句表明过去的最大内存几乎为 700 MB。此外，使用 Mac os x 资源监视器，当到达最后一行时，分配的内存显示为 600 MB。

运行 gc.collect()将其减少到 350 MB(几乎太好了？)。在这种情况下，为什么我必须手动运行垃圾收集来摆脱合并垃圾？我已经看到这(可能)导致内存在略有不同的情况下积累，我现在将跳过。

import PyPDF2
import io
import resources  # For debugging

def merge_pdfs(iterable):
    ''' Merge pdfs in memory '''
    merger = PyPDF2.PdfFileMerger()
    for pdf_fileobj in iterable:
        merger.append(pdf_fileobj)

    myio = io.BytesIO()
    merger.write(myio)
    merger.close()

    myio.seek(0)
    return myio

my_concatenated_pdf = merge_pdfs(my_pdfs)

# Print the maximum memory usage
print('Memory usage: %s (kB)' % resource.getrusage(resource.RUSAGE_SELF).ru_maxrss)

问题总结

为什么上面的代码需要将近 700 MB 的内存来合并值(value) 200 MB 的 pdf？ 400 MB + 开销还不够吗？我该如何优化它？

当有问题的变量应该已经超出范围时，为什么我需要手动运行垃圾收集来摆脱 PyPDF2 合并垃圾？

这种通用方法怎么样？ BytesIO 是否适合使用这种情况？ merger.write(myio)考虑到一切都发生在 ram 中，似乎运行速度有点慢。

谢谢!

Answer 1

问:为什么上面的代码需要将近 700 MB 的内存来合并值(value) 200 MB 的 pdf？ 400 MB + 开销还不够吗？我如何优化它？

答:因为.append创建一个新的流对象，然后使用 merger.write(myio) ，这会创建另一个流对象，并且内存中已经有 200 MB 的 pdf 文件，因此为 3*200 MB。

问:当有问题的变量应该已经超出范围时，为什么我需要手动运行垃圾收集来摆脱 PyPDF2 合并垃圾？

- 答:这是一个已知的issue在 PyPDF2 中。

问:这个一般方法怎么样？ BytesIO 是否适合使用这种情况？

A:考虑到内存问题，您可能想尝试不同的方法。也许一一合并，暂时将文件保存到磁盘，然后从内存中清除已经合并的文件。