PyPDF2 PdfFileMerger合并文件中的PDF模块丢失

时间:2019-07-12 14:14:15

标签: python pdf pypdf2 pdfa

我正在将PDF文件与PyPDF2合并,但是,当其中一个文件包含一个装有数据的PDF模块(典型的应用程序填充的PDF)时,在合并的文件中该模块为空,则不会显示任何数据。

以下是我用来合并PDF的两种方法:

def merge_pdf_files(pdf_files, i):
    pdf_merger = PdfFileMerger(strict=False)
    for pdf in pdf_files:
        pdf_merger.append(pdf)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    pdf_merger.write(output_filename)

def merge_pdf_files2(pdf_files, i):
    output = PdfFileWriter()
    for pdf in pdf_files:
        input = PdfFileReader(pdf)
        for page in input.pages:
            output.addPage(page)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    with open(output_filename,'wb') as output_stream:
        output.write(output_stream)

我希望最终的合并PDF显示所有在PDF模块中填充的数据。 或者,有人可以将我指向另一个没有出现此(外观)错误的python库。 谢谢

更新 我也尝试了PyMuPDF,结果相同。

def merge_pdf_files4(pdf_files, i):
    output = fitz.open()
    for pdf in pdf_files:
        input = fitz.open(pdf)
        output.insertPDF(input)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    output.save(output_filename)

也尝试过PyPDF4。与PyPDF2相同的结果

还尝试使用通过命令行从脚本启动的外部工具:

subprocess.call(cmd, shell=True)

我一开始尝试pdftk,但也失败了。 唯一可行的是PDFill,商业版,花了19美元在任务上……:( 太糟糕了,我找不到一个独立于平台的开源解决方案。

1 个答案:

答案 0 :(得分:1)

最后,我自己解决了这个问题,在这里与大家分享,希望对其他人有用。

这是一项艰巨的任务。

最后,我坚持使用 pdfrw 库(https://pypi.org/project/pdfrw/https://github.com/pmaupin/pdfrw),该库提供了良好的PDF-DOM表示形式,非常接近公开发布的PDF-Structure记录在Adobe的官方参考(https://www.adobe.com/devnet/pdf/pdf_reference.html)中。

使用该库,PyCharm的对象检查器和Adobe文档,我可以对输出文件的结构进行试验,发现简单的1行合并:

    from pdfrw import PdfReader, PdfWriter

    output = PdfWriter()
    input = PdfReader(pdf_filename)
    output.addpages(input.pages)

不会将 AcroForm 节点添加到输出 PDF文件中,因此会丢失所有表单字段。

因此,我不得不编写自己的代码以尽可能地合并各种输入文件的 AcroForm 节点。

我强调“我能做的最好的广告” 句子,因为我最终得到的合并功能远非完美,但至少它对我有用并且可以如果需要,可以帮助其他人从这一点上建立起来。

要做的一件事是重命名表单字段以避免冲突,因此我将其重命名为 {file_num} _ {field_num} _ {original_name}

然后,我不完全知道如何合并 CO,DA,DR和NeedAppearances 节点,我只是添加了包含它们的第一个源文件中的节点。如果后续文件中存在相同的节点,则将其跳过。

除了字体,我将其跳过,将 DR 节点的字体子节点的内容合并。

最后,我的第一次尝试是对输出的 trailer 属性进行上述所有操作。然后我发现,每次我从新的输入文件添加页面时, pdfrw 似乎都会删除预告片中已经存在的所有 AcroForm 。 我不知道原因,但是在写出最终的pdf之前,我必须构建一个 ouptut_acroform 变量并将其分配给输出文件。

最后,这是我的代码。 如果不是pythonic,请原谅我,我只是希望它能阐明以上几点。

from pdfrw import PdfReader, PdfWriter, PdfName


def merge_pdf_files_pdfrw(pdf_files, output_filename):
  output = PdfWriter()
  num = 0
  output_acroform = None
  for pdf in pdf_files:
      input = PdfReader(pdf,verbose=False)
      output.addpages(input.pages)
      if PdfName('AcroForm') in input[PdfName('Root')].keys():  # Not all PDFs have an AcroForm node
          source_acroform = input[PdfName('Root')][PdfName('AcroForm')]
          if PdfName('Fields') in source_acroform:
              output_formfields = source_acroform[PdfName('Fields')]
          else:
              output_formfields = []
          num2 = 0
          for form_field in output_formfields:
              key = PdfName('T')
              old_name = form_field[key].replace('(','').replace(')','')  # Field names are in the "(name)" format
              form_field[key] = 'FILE_{n}_FIELD_{m}_{on}'.format(n=num, m=num2, on=old_name)
              num2 += 1
          if output_acroform == None:
              # copy the first AcroForm node
              output_acroform = source_acroform
          else:
              for key in source_acroform.keys():
                  # Add new AcroForms keys if output_acroform already existing
                  if key not in output_acroform:
                      output_acroform[key] = source_acroform[key]
              # Add missing font entries in /DR node of source file
              if (PdfName('DR') in source_acroform.keys()) and (PdfName('Font') in source_acroform[PdfName('DR')].keys()):
                  if PdfName('Font') not in output_acroform[PdfName('DR')].keys():
                      # if output_acroform is missing entirely the /Font node under an existing /DR, simply add it
                      output_acroform[PdfName('DR')][PdfName('Font')] = source_acroform[PdfName('DR')][PdfName('Font')]
                  else:
                      # else add new fonts only
                      for font_key in source_acroform[PdfName('DR')][PdfName('Font')].keys():
                          if font_key not in output_acroform[PdfName('DR')][PdfName('Font')]:
                              output_acroform[PdfName('DR')][PdfName('Font')][font_key] = source_acroform[PdfName('DR')][PdfName('Font')][font_key]
          if PdfName('Fields') not in output_acroform:
              output_acroform[PdfName('Fields')] = output_formfields
          else:
              # Add new fields
              output_acroform[PdfName('Fields')] += output_formfields
      num +=1
  output.trailer[PdfName('Root')][PdfName('AcroForm')] = output_acroform
  output.write(output_filename)

希望这会有所帮助。