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。
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/和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。