pypdf 将多个pdf文件合并为一个pdf

Question

如果我有1000多个pdf文件需要合并成一个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)

执行以上代码，当 reader = PdfReader(open(filepath, "rb")) ,

报错信息： IOError: [Errno 24] Too many open files:

我认为这是一个错误，如果不是，我该怎么办？

原文由 daydaysay 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

我最近遇到了这个完全相同的问题，所以我深入研究了 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。假设我所有的代码都一样

简短的回答

使用 PdfFileMerger() 类而不是 PdfFileWriter() 类。我已尝试提供以下内容，以尽可能接近您的内容：

 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，当您将页面添加到 PdfFileWriter ，您正在添加对打开页面的引用 PdfFileReader （因此，如果您关闭文件，则会出现 IO 错误）。 Python 检测到该文件仍被引用，并且尽管重新使用了文件句柄，但不执行任何垃圾收集/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，它位于 output.write(outputStream) 在您的代码中。

要解决此问题，请在内存中创建内容副本，并允许关闭文件。我在 PyPDF2 代码的冒险中注意到 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 的了解还不够接近，它只 在特定条件下 创建了副本。

我最初的尝试如下所示，并导致了相同的 IO 问题：

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

merger.write(output_file_path)

查看 PyPDF2 源代码，我们看到 append() 需要 fileobj 被传递，然后使用 merge() 作为新页面传递的最后一个函数–文件位置。 merge() 执行以下操作 fileobj （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完全相同。一个 PdfFileReader() 对象保持打开文件直到文件最终被写入！

但是，如果我们创建文件路径字符串的文件对象 或 PdfFileReader_（请参阅编辑 2）_路径字符串对象， 然后再将 其传递到 append() ，它将自动创建作为 StringIO 对象的副本，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： 我假设你使用的是 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。

如果出于某种原因您不能切换到 PyPDF2（许可、系统限制等）， PdfFileMerger 将不可用。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文件对象的。

编辑 2： 以前的使用建议 merger.append(PdfFileReader(file(filename, 'rb'))) 根据评论更改 （感谢@Agostino） 。

原文由 Rejected 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

pdfrw 包一次读取每个文件，因此不会遇到打开文件过多的问题。 这 是一个示例串联脚本。

相关部分——假设 inputs 是输入文件名列表，而 outfn 是输出文件名：

 from pdfrw import PdfReader, PdfWriter

writer = PdfWriter()
for inpfn in inputs:
    writer.addpages(PdfReader(inpfn).pages)
writer.write(outfn)

免责声明：我是 pdfrw 的主要作者。

原文由 Patrick Maupin 发布，翻译遵循 CC BY-SA 3.0 许可协议