PyPDF2 PdfFileMerger 在合并文件中丢失 PDF 模块
PyPDF2 PdfFileMerger loosing PDF module in merged file
我正在用 PyPDF2 合并 PDF 文件，但是，当其中一个文件包含一个充满数据的 PDF 模块（一个典型的应用程序填充的 PDF）时，在合并文件中模块是空的，没有数据显示。
这是我用来合并 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)
我希望最终合并的 PDF 能够显示 PDF 模块中填写的所有数据。
或者，或者，有人可以向我指出另一个 python 没有这个（表面上）错误的库。
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)
还尝试了 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)
我一开始尝试了pdftk，但也失败了。
唯一有效的是 PDFill，商业版，在这项任务上花费了 19 美元......:(
太糟糕了，我找不到开源的、独立于平台的解决方案。
终于自己搞定了，分享出来希望对大家有用
这是一项艰巨的任务。
最后我坚持使用 pdfrw 库 (https://pypi.org/project/pdfrw/ and https://github.com/pmaupin/pdfrw), which gives a good PDF-DOM representation, very close to the PDF-Structure publicly documented in Adobe's official reference (https://www.adobe.com/devnet/pdf/pdf_reference.html)。
使用这个库、PyCharm 的对象检查器和 Adobe 的文档我可以试验输出文件的结构并发现简单的 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 output PDF 文件，因此会丢失所有表单字段。
所以我不得不编写自己的代码来合并，尽我所能，各种输入文件的 AcroForm 节点.
我强调"as best ad I can"这句话，因为我最终得到的合并功能远非完美，但至少它对我有用 并可以帮助其他人在需要时从这一点开始建立。
一件重要的事情是重命名表单字段以避免冲突，所以我将它们重命名为 {file_num}_{field_num}_{original_name}.
然后，由于不知道如何合并 CO、DA、DR 和 NeedAppearances 节点，我简单地添加了第一个包含它们的源文件的节点。如果后续文件中存在相同的节点，我将跳过它。
我跳过它除了字体，我合并字体子节点的内容DR[=55] =]节点.
最后请注意，在我第一次尝试时，上述所有操作都是在输出的 trailer 属性上完成的。然后我发现每次我从一个新的输入文件中添加页面时，pdfrw 似乎会删除预告片中已经存在的任何 AcroForm。
我不知道原因，但我必须构建一个 ouptut_acroform 变量，并在写出最终 pdf 之前将其分配给输出文件。
最后，这是我的代码。
如果它不是pythonic，请原谅我，我只是希望它能澄清以上几点。
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)
希望对您有所帮助。
我正在用 PyPDF2 合并 PDF 文件，但是，当其中一个文件包含一个充满数据的 PDF 模块（一个典型的应用程序填充的 PDF）时，在合并文件中模块是空的，没有数据显示。
这是我用来合并 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)
我希望最终合并的 PDF 能够显示 PDF 模块中填写的所有数据。 或者，或者，有人可以向我指出另一个 python 没有这个（表面上）错误的库。 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)
还尝试了 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)
我一开始尝试了pdftk，但也失败了。 唯一有效的是 PDFill，商业版，在这项任务上花费了 19 美元......:( 太糟糕了，我找不到开源的、独立于平台的解决方案。
终于自己搞定了，分享出来希望对大家有用
这是一项艰巨的任务。
最后我坚持使用 pdfrw 库 (https://pypi.org/project/pdfrw/ and https://github.com/pmaupin/pdfrw), which gives a good PDF-DOM representation, very close to the PDF-Structure publicly documented in Adobe's official reference (https://www.adobe.com/devnet/pdf/pdf_reference.html)。
使用这个库、PyCharm 的对象检查器和 Adobe 的文档我可以试验输出文件的结构并发现简单的 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 output PDF 文件，因此会丢失所有表单字段。
所以我不得不编写自己的代码来合并，尽我所能，各种输入文件的 AcroForm 节点.
我强调"as best ad I can"这句话，因为我最终得到的合并功能远非完美，但至少它对我有用 并可以帮助其他人在需要时从这一点开始建立。
一件重要的事情是重命名表单字段以避免冲突，所以我将它们重命名为 {file_num}_{field_num}_{original_name}.
然后，由于不知道如何合并 CO、DA、DR 和 NeedAppearances 节点，我简单地添加了第一个包含它们的源文件的节点。如果后续文件中存在相同的节点，我将跳过它。
我跳过它除了字体，我合并字体子节点的内容DR[=55] =]节点.
最后请注意，在我第一次尝试时，上述所有操作都是在输出的 trailer 属性上完成的。然后我发现每次我从一个新的输入文件中添加页面时，pdfrw 似乎会删除预告片中已经存在的任何 AcroForm。 我不知道原因，但我必须构建一个 ouptut_acroform 变量，并在写出最终 pdf 之前将其分配给输出文件。
最后，这是我的代码。 如果它不是pythonic，请原谅我，我只是希望它能澄清以上几点。
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)
希望对您有所帮助。