Python自动化PDF合并：PyMuPDF实战指南与脚本开发

1. 从“手动拖拽”到“一键脚本”：为什么我们需要自动化PDF合并

如果你经常和PDF文件打交道，尤其是处理报告、论文、合同或者从不同系统导出的零散文档，那么“合并PDF”这个操作对你来说一定不陌生。最原始的做法是什么？打开某个PDF编辑器，点击“合并文件”，然后一个个选择、拖拽、调整顺序，最后生成一个新文件。偶尔做一次还行，但当你每周、甚至每天都要重复这个枯燥的流程，或者需要处理的文件数量动辄几十上百个时，这种手动操作就成了一种折磨。效率低下不说，还极易出错，比如漏掉某个文件或者顺序排错。

这正是我当初决定用Python来解决这个问题的原因。市面上虽然有大量优秀的图形化PDF工具，但它们往往存在几个痛点：一是批量处理不够灵活，尤其是需要按复杂规则（如按文件名、时间戳排序）合并时；二是很多高级功能需要付费；三是无法集成到自动化工作流中。比如，我经常需要将每日生成的数十份数据报告自动合并成一份周报，手动操作根本不可行。

Python的PyPDF2、PyMuPDF（fitz）、pdfrw等库，为我们提供了强大的程序化处理PDF的能力。通过编写一个简单的脚本，你可以实现：按指定文件夹内文件创建时间自动排序合并、仅合并特定页码、在合并时添加页眉页脚或水印、甚至基于文件内容智能分类后再合并。这不仅仅是节省几分钟时间，而是将一项繁琐、易错的人工劳动，转变为一个可靠、可重复、可定制的自动化流程。接下来，我将从一个实际需求场景出发，带你一步步构建一个比“傻瓜式”合并工具更强大、更贴合你个人工作流的Python PDF合并工具。

2. 核心工具选型：PyPDF2、PyMuPDF 与 pdfrw 的实战对比

选择正确的库是项目成功的基石。Python生态中处理PDF的库不少，但专注于合并（拼接）功能的，主要有三个主流选择：PyPDF2（以及其维护分支PyPDF4、pypdf）、PyMuPDF（fitz）和pdfrw。它们各有优劣，适用的场景也不同。我通过大量实际项目，总结出了下面的对比表格，你可以根据自己的需求快速决策。

特性/库名	PyPDF2 / pypdf	PyMuPDF (fitz)	pdfrw
主要优势	纯Python实现，API简单直观，专注于PDF的“读写合并”等基础操作，学习曲线平缓。	基于强大的MuPDF引擎，速度极快，功能全面（渲染、解析、编辑），对复杂PDF兼容性好。	设计优雅，能较好地保持PDF的原始结构（如表单、注释），在“读取-修改-写入”场景下表现优秀。
合并性能	中等。处理简单文档足够，但面对上百页或内含大量资源的PDF时，速度较慢，内存消耗可能较高。	卓越。无论是合并速度还是内存效率，都是三者中最高的，特别适合处理大批量、大体积的PDF。	中等。性能介于PyPDF2和PyMuPDF之间，对于常规合并任务足够。
功能丰富度	基础。支持合并、拆分、旋转、加水印、加元数据。对加密PDF支持有限，处理某些复杂PDF可能出错。	非常丰富。除基础操作外，还支持精确的文本/图像提取、高级搜索、PDF渲染为图片、注释处理等。	专注于内容保留。能很好地读取和写入书签（目录）、表单、注释等，适合需要保持这些元素的合并场景。
安装复杂度	非常简单，pip install pypdf即可。	稍复杂。需要系统预装MuPDF的C库，通常pip install PyMuPDF会尝试自动编译，在某些Windows环境下可能需要额外步骤。	简单，pip install pdfrw。
推荐使用场景	快速原型验证，处理简单、少量的PDF合并任务，对依赖纯净性要求高（纯Python）。	生产环境首选。需要高性能、处理复杂或大量PDF、或未来可能扩展更多高级功能（如OCR后处理）的项目。	合并时需要完美保留原始PDF中的交互式元素（如表单字段、书签）的项目。

注意：PyPDF2的原仓库已不再积极维护，社区出现了多个分支。目前最推荐使用的是pypdf（pip install pypdf），它是PyPDF2的一个积极维护的fork，API兼容且修复了大量bug。下文如无特别说明，提到的PyPDF2均指代pypdf库。

基于以上对比，我的个人建议是：对于绝大多数以“合并”为核心需求的自动化脚本，优先选择PyMuPDF。它的性能优势在批量操作时是决定性的，而且其强大的底层能力也为脚本未来的功能扩展（比如合并前先检查页面内容）留足了空间。当然，如果你的需求仅仅是快速写一个一次性脚本，且PDF非常简单，那么pypdf的简洁性也是不错的选择。pdfrw则在处理带有表单的合同、调查问卷等PDF合并时不可替代。

3. 环境准备与基础合并脚本搭建

在确定了使用PyMuPDF之后，我们开始动手搭建环境。虽然它的能力强大，但基础合并功能的代码其实非常简洁。

3.1 创建虚拟环境与安装依赖

首先，为项目创建一个独立的虚拟环境是个好习惯，这能避免不同项目间的库版本冲突。

# 在项目目录下 python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # Linux/Mac: source venv/bin/activate # 安装 PyMuPDF pip install PyMuPDF

安装完成后，可以通过pip list | findstr fitz（Windows）或pip list | grep fitz（Linux/Mac）来确认安装成功。

3.2 编写第一个基础合并脚本

我们来创建一个最简单的脚本merge_basic.py，实现将指定列表中的PDF文件按顺序合并。

import fitz # PyMuPDF的导入名是fitz import os import sys def merge_pdfs(pdf_list, output_filename): """ 基础合并函数 :param pdf_list: 待合并的PDF文件路径列表 :param output_filename: 输出文件路径 """ # 创建一个新的PDF文档对象 result_pdf = fitz.open() for pdf_path in pdf_list: # 打开每一个源PDF src_pdf = fitz.open(pdf_path) # 将源PDF的所有页面插入到结果文档的末尾 result_pdf.insert_pdf(src_pdf) # 关闭源文档，释放资源 src_pdf.close() # 保存合并后的结果 result_pdf.save(output_filename) # 关闭结果文档 result_pdf.close() print(f"合并完成！文件已保存至：{output_filename}") if __name__ == "__main__": # 示例：合并当前目录下的1.pdf, 2.pdf, 3.pdf files_to_merge = ["1.pdf", "2.pdf", "3.pdf"] # 在实际使用中，你可以通过命令行参数、读取配置文件等方式来获取这个列表 # 这里先检查文件是否存在 valid_files = [] for f in files_to_merge: if os.path.exists(f): valid_files.append(f) else: print(f"警告：文件 {f} 不存在，已跳过。") if valid_files: merge_pdfs(valid_files, "merged_output.pdf") else: print("错误：没有找到任何有效的PDF文件进行合并。")

这个脚本的核心是fitz.open()和insert_pdf()方法。fitz.open()用于打开一个PDF文件，返回一个文档对象。insert_pdf()则是将另一个文档的所有页面插入到当前文档的指定位置。默认是追加到末尾，所以循环调用就实现了顺序拼接。

实操心得：务必养成close()的习惯。虽然Python有垃圾回收，但显式关闭文件对象可以立即释放内存和底层资源，在处理大量或大型PDF时尤为重要，能有效避免内存泄漏导致的程序崩溃。

4. 进阶功能实现：让合并脚本更智能、更强大

基础合并只是开始。一个真正好用的工具必须能处理现实中的复杂情况。下面我们为脚本添加几个必备的进阶功能。

4.1 自动扫描文件夹并按规则排序

手动列出文件名太麻烦。更常见的场景是：我有一个文件夹，里面全是需要合并的PDF，希望脚本能自动读取并按我想要的顺序（比如文件名、修改时间）合并。

import fitz import os import glob from pathlib import Path def merge_pdfs_from_folder(folder_path, output_filename, sort_by='filename'): """ 合并指定文件夹下的所有PDF文件 :param folder_path: 目标文件夹路径 :param output_filename: 输出文件路径 :param sort_by: 排序规则，'filename'（按文件名）, 'mtime'（按修改时间）, 'ctime'（按创建时间） """ # 使用Path对象处理路径更安全、方便 folder = Path(folder_path) if not folder.is_dir(): print(f"错误：路径 {folder_path} 不是一个有效的文件夹。") return # 使用glob获取所有.pdf文件 pdf_files = list(folder.glob("*.pdf")) if not pdf_files: print(f"在文件夹 {folder_path} 中未找到任何PDF文件。") return # 根据指定规则排序 if sort_by == 'filename': pdf_files.sort(key=lambda x: x.name.lower()) # 忽略大小写排序 elif sort_by == 'mtime': pdf_files.sort(key=lambda x: x.stat().st_mtime) elif sort_by == 'ctime': pdf_files.sort(key=lambda x: x.stat().st_ctime) else: print(f"警告：未知的排序规则 '{sort_by}'，将使用默认文件名排序。") pdf_files.sort(key=lambda x: x.name.lower()) print(f"找到 {len(pdf_files)} 个PDF文件，将按以下顺序合并：") for i, f in enumerate(pdf_files, 1): print(f" {i}. {f.name}") # 调用基础合并函数 merge_pdfs([str(f) for f in pdf_files], output_filename) # 需要将之前的基础合并函数也定义在这里 def merge_pdfs(pdf_list, output_filename): # ... 同上一个代码块中的 merge_pdfs 函数 ... pass if __name__ == "__main__": # 示例：合并当前目录下的所有PDF，按修改时间排序 merge_pdfs_from_folder(".", "merged_by_mtime.pdf", sort_by='mtime')

这个改进使得脚本的实用性大大增强。你可以轻松地处理一个装满扫描件或导出报告的文件夹。

4.2 选择性合并：范围与密码处理

有时我们并不需要合并整个文件，或者文件被加密了。

合并特定页面范围：PyMuPDF的insert_pdf方法提供了from_page和to_page参数来指定页面范围（页码从0开始）。

def merge_pdfs_selective(pdf_list, output_filename, page_ranges=None): """ 合并PDF，并可选择每个PDF的页面范围 :param pdf_list: 待合并的PDF文件路径列表 :param output_filename: 输出文件路径 :param page_ranges: 可选。一个列表，长度与pdf_list相同。 每个元素可以是一个元组 (start, end) 或 None。 None表示合并整个文件，(start, end)表示合并[start, end)页（左闭右开）。 例如：[(0, 3), None, (5, 10)] 表示合并第1个PDF的0-2页，第2个PDF的全部，第3个PDF的5-9页。 """ result_pdf = fitz.open() if page_ranges is None: page_ranges = [None] * len(pdf_list) elif len(page_ranges) != len(pdf_list): print("错误：page_ranges的长度必须与pdf_list相同。") return for pdf_path, page_range in zip(pdf_list, page_ranges): src_pdf = fitz.open(pdf_path) if page_range is None: # 合并全部 result_pdf.insert_pdf(src_pdf) else: start, end = page_range # 确保页码范围有效 if start < 0 or end > len(src_pdf) or start >= end: print(f"警告：文件 {pdf_path} 的页码范围 {page_range} 无效，已跳过该文件。") src_pdf.close() continue # 合并指定范围 result_pdf.insert_pdf(src_pdf, from_page=start, to_page=end-1) # to_page是包含的，所以end-1 src_pdf.close() result_pdf.save(output_filename) result_pdf.close() print(f"选择性合并完成！文件已保存至：{output_filename}")

处理加密PDF：如果PDF有密码，需要在打开时提供。

def merge_encrypted_pdfs(pdf_list, output_filename, passwords=None): """ 合并可能加密的PDF :param pdf_list: 文件路径列表 :param output_filename: 输出路径 :param passwords: 可选。密码列表，与pdf_list一一对应。如果某个文件无密码，对应位置为None。 """ result_pdf = fitz.open() if passwords is None: passwords = [None] * len(pdf_list) for pdf_path, pwd in zip(pdf_list, passwords): try: # 尝试用密码打开（如果密码为None，则正常打开） src_pdf = fitz.open(pdf_path, password=pwd) result_pdf.insert_pdf(src_pdf) src_pdf.close() print(f"成功处理：{pdf_path}") except Exception as e: print(f"处理文件 {pdf_path} 时出错：{e}。已跳过此文件。") # 可以选择继续处理下一个文件，或者直接退出 continue if len(result_pdf) > 0: # 如果至少合并了一页 result_pdf.save(output_filename) print(f"合并完成（已跳过出错文件）。输出：{output_filename}") else: print("错误：未能成功合并任何页面。") result_pdf.close()

4.3 添加统一页眉页脚与水印

在合并商务报告或正式文档时，为所有页面添加统一的页眉、页脚或水印能显得更专业。PyMuPDF允许我们通过操作页面的Page对象来实现。

def add_watermark_to_page(page, text="Confidential", font_size=40): """ 在单个页面中心添加文本水印 :param page: fitz.Page对象 :param text: 水印文字 :param font_size: 字体大小 """ # 获取页面矩形（页面大小） rect = page.rect # 计算水印文本的大致宽度（这是一个估算，实际需根据字体精确计算） # 这里我们简单地将文本放在页面中心 text_width = fitz.get_text_length(text, fontname="helv", fontsize=font_size) center_x = (rect.width - text_width) / 2 center_y = rect.height / 2 # 在水印位置插入一个文本块 # 使用红色、半透明、旋转45度来模拟常见水印效果 watermark = fitz.Point(center_x, center_y) page.insert_text( watermark, text, fontsize=font_size, fontname="helv", color=(1, 0, 0), # RGB红色 rotate=45, overlay=True # 作为覆盖层，不会影响原有内容的选择 ) def merge_pdfs_with_watermark(pdf_list, output_filename, watermark_text=None): """ 合并PDF，并为每一页添加水印 :param watermark_text: 水印文字，如果为None则不添加 """ result_pdf = fitz.open() for pdf_path in pdf_list: src_pdf = fitz.open(pdf_path) # 插入源PDF的所有页面 result_pdf.insert_pdf(src_pdf) src_pdf.close() # 如果指定了水印文字，为结果文档的每一页添加水印 if watermark_text: for page_num in range(len(result_pdf)): page = result_pdf[page_num] add_watermark_to_page(page, watermark_text) # 添加水印后需要重新保存 # 注意：这里我们直接修改了result_pdf，保存即可 result_pdf.save(output_filename) result_pdf.close() print(f"带水印合并完成！文件已保存至：{output_filename}")

这个例子展示了添加文本水印。你还可以用page.insert_image()来添加图片水印，或者用更精细的Shape对象绘制复杂的图形和页眉页脚线。

5. 工程化与实战：打造命令行工具并集成到自动化流程

一个脚本要真正成为“工具”，就需要易用和可集成。我们将上面的功能整合，并添加命令行接口，使其可以通过终端直接调用。

5.1 使用argparse构建命令行接口

创建一个pdf_merger.py文件，内容如下：

#!/usr/bin/env python3 """ PDF合并工具 - 命令行版本 支持文件夹扫描、排序、选择性合并、添加水印等功能。 """ import fitz import os import sys import argparse from pathlib import Path from typing import List, Optional def get_pdf_files_from_input(input_paths: List[str], sort_by: str) -> List[Path]: """根据输入路径（可能是文件或文件夹）获取并排序PDF文件列表。""" all_files = [] for path_str in input_paths: path = Path(path_str) if not path.exists(): print(f"警告：路径不存在，已跳过 - {path_str}") continue if path.is_file() and path.suffix.lower() == '.pdf': all_files.append(path) elif path.is_dir(): all_files.extend(list(path.glob("*.pdf"))) else: print(f"警告：忽略非PDF文件或无法识别的路径 - {path_str}") if not all_files: raise ValueError("未找到任何有效的PDF文件。") # 排序 if sort_by == 'name': all_files.sort(key=lambda x: x.name.lower()) elif sort_by == 'mtime': all_files.sort(key=lambda x: x.stat().st_mtime) elif sort_by == 'ctime': all_files.sort(key=lambda x: x.stat().st_ctime) else: # 默认按名称 all_files.sort(key=lambda x: x.name.lower()) return all_files def merge_pdfs( file_list: List[Path], output: Path, page_ranges: Optional[List[tuple]] = None, watermark: Optional[str] = None ) -> None: """执行合并的核心函数。""" result_pdf = fitz.open() if page_ranges: if len(page_ranges) != len(file_list): raise ValueError("页面范围列表的长度必须与文件列表长度一致。") else: page_ranges = [None] * len(file_list) for pdf_file, page_range in zip(file_list, page_ranges): try: src_pdf = fitz.open(pdf_file) if page_range is None: result_pdf.insert_pdf(src_pdf) else: start, end = page_range if 0 <= start < end <= len(src_pdf): result_pdf.insert_pdf(src_pdf, from_page=start, to_page=end-1) else: print(f"警告：文件 {pdf_file.name} 的页码范围 {page_range} 无效，已跳过。") src_pdf.close() except Exception as e: print(f"处理文件 {pdf_file} 时发生错误：{e}，已跳过。") continue # 添加水印 if watermark: for page_num in range(len(result_pdf)): page = result_pdf[page_num] rect = page.rect # 简单的水印实现 page.insert_text( fitz.Point(rect.width / 3, rect.height / 2), watermark, fontsize=50, color=(0.8, 0.8, 0.8), # 浅灰色 rotate=30, overlay=True ) result_pdf.save(output) result_pdf.close() def main(): parser = argparse.ArgumentParser( description="一个功能强大的PDF合并工具", formatter_class=argparse.RawDescriptionHelpFormatter, epilog=""" 使用示例： %(prog)s file1.pdf file2.pdf -o merged.pdf %(prog)s ./my_docs -o all_sorted.pdf -s mtime %(prog)s chap1.pdf chap2.pdf -o book.pdf -w "DRAFT" """ ) parser.add_argument( 'inputs', nargs='+', help='输入项。可以是PDF文件路径，也可以是包含PDF的文件夹路径。' ) parser.add_argument( '-o', '--output', required=True, help='合并后的输出PDF文件路径。' ) parser.add_argument( '-s', '--sort', choices=['name', 'mtime', 'ctime'], default='name', help='对找到的PDF文件进行排序的方式：按文件名(name)、修改时间(mtime)、创建时间(ctime)。默认为name。' ) parser.add_argument( '-w', '--watermark', help='为每一页添加指定的文本水印。' ) # 为了简化，这里省略了复杂的页面范围解析。实际可以扩展，例如使用“1:3,5:end”这样的语法。 args = parser.parse_args() try: # 1. 获取并排序文件 pdf_files = get_pdf_files_from_input(args.inputs, args.sort) print(f"找到 {len(pdf_files)} 个PDF文件，将按顺序合并：") for f in pdf_files: print(f" - {f.name}") # 2. 执行合并 output_path = Path(args.output) # 确保输出目录存在 output_path.parent.mkdir(parents=True, exist_ok=True) merge_pdfs(pdf_files, output_path, watermark=args.watermark) print(f"\n✅ 合并成功！输出文件：{output_path.absolute()}") print(f" 文件大小：{output_path.stat().st_size / 1024:.2f} KB") except Exception as e: print(f"\n❌ 合并过程中出现错误：{e}", file=sys.stderr) sys.exit(1) if __name__ == "__main__": main()

现在，你可以在命令行中这样使用它：

# 合并两个文件 python pdf_merger.py chapter1.pdf chapter2.pdf -o book.pdf # 合并一个文件夹下所有PDF，按修改时间排序 python pdf_merger.py ./weekly_reports/ -o weekly_summary.pdf -s mtime # 合并文件并添加水印 python pdf_merger.py doc1.pdf doc2.pdf -o confidential.pdf -w "INTERNAL USE ONLY"

5.2 集成到自动化工作流：一个真实案例

假设你有一个每日运行的数据分析任务，它会生成一份以日期命名的PDF报告（如report_20231027.pdf），存放在./reports/目录下。每周五，你需要将本周的5份报告合并成一份周报。

你可以写一个简单的调度脚本（比如结合系统的cron或Windows任务计划），来自动完成这个任务：

# weekly_merge.py import subprocess from datetime import datetime, timedelta import os def generate_weekly_report(): # 计算上周五到本周四的日期范围（假设报告按日期生成） today = datetime.now() # 找到最近的周五（如果今天就是周五，则用今天） last_friday = today - timedelta(days=(today.weekday() - 4) % 7) start_date = last_friday - timedelta(days=6) # 上周五 end_date = last_friday # 本周四 date_str = start_date.strftime("%Y%m%d") + "_" + end_date.strftime("%Y%m%d") output_filename = f"./weekly_reports/weekly_summary_{date_str}.pdf" # 构建文件列表（假设报告命名格式为 report_YYYYMMDD.pdf） file_list = [] current_date = start_date while current_date <= end_date: file_path = f"./daily_reports/report_{current_date.strftime('%Y%m%d')}.pdf" if os.path.exists(file_path): file_list.append(file_path) current_date += timedelta(days=1) if not file_list: print("本周没有找到任何日报文件。") return # 调用我们的命令行工具进行合并 # 注意：这里需要确保 pdf_merger.py 在可访问的路径，或者使用绝对路径 cmd = ["python", "pdf_merger.py"] + file_list + ["-o", output_filename, "-s", "name"] try: result = subprocess.run(cmd, capture_output=True, text=True, check=True) print("周报合并成功！") print(result.stdout) # 这里可以添加后续操作，比如发送邮件、上传到云存储等 except subprocess.CalledProcessError as e: print("周报合并失败！") print(e.stderr) if __name__ == "__main__": generate_weekly_report()

将这个脚本设置为每周五下午定时运行，你就彻底从手动合并PDF的重复劳动中解放出来了。这就是自动化工具的价值——将你的时间留给更有创造性的工作。

6. 避坑指南与性能优化：从能用走向好用

在实际使用中，你可能会遇到一些预料之外的问题。下面是我在多个项目中总结出的常见“坑”及其解决方案。

6.1 编码与路径问题：跨平台的兼容性

在Windows系统上，路径分隔符是反斜杠\，而在Linux/macOS上是正斜杠/。使用Python的pathlib.Path或os.path模块来处理路径，可以避免这个问题。我们的脚本中已经使用了Path，这是一个好习惯。

另一个常见问题是文件名或路径中含有空格或特殊字符（如中文）。在构建命令行参数或直接传递字符串时，确保路径被正确引用。subprocess.run会自动处理，但如果你自己拼接字符串，可能会出错。使用shlex.quote()或在构建列表时直接传递路径字符串（而非拼接）是更安全的方式。

6.2 内存管理与大文件处理

合并非常大的PDF文件（比如数百MB的扫描件合集）时，可能会消耗大量内存。PyMuPDF本身效率很高，但仍有优化空间。

策略一：增量合并与临时文件不要一次性将所有PDF内容读入内存再写入。虽然我们的脚本是循环插入，但最终保存时，所有数据仍在内存中。对于极端情况，可以采用“增量保存”策略：合并一部分，保存到一个临时文件，然后以这个临时文件为基础继续合并下一个。但这会带来IO开销，仅在内存严重不足时考虑。

策略二：关闭与清理务必确保在每个fitz.open()之后，都对应一个close()。使用with语句上下文管理器是更好的选择，它能保证即使发生异常，文件也会被正确关闭。

# 更安全的写法 with fitz.open(pdf_path) as src_pdf: result_pdf.insert_pdf(src_pdf) # 退出with块后，src_pdf自动关闭

策略三：监控与日志在生产环境中，为长时间运行的合并任务添加日志和进度提示是很有必要的。你可以估算总页数，在合并每个文件时打印进度。

total_pages_estimated = sum([fitz.open(f).page_count for f in pdf_files]) # 先快速统计总页数（会打开关闭一次文件） pages_done = 0 for pdf_path in pdf_files: with fitz.open(pdf_path) as src_pdf: old_count = len(result_pdf) result_pdf.insert_pdf(src_pdf) pages_done += (len(result_pdf) - old_count) print(f"进度：{pages_done}/{total_pages_estimated} 页 ({pages_done/total_pages_estimated:.1%})")

6.3 合并后文档属性（元数据）的处理

合并多个PDF后，输出文件的标题、作者、主题等元数据（Metadata）来自哪里？默认情况下，PyMuPDF创建的新文档有空的元数据，或者继承自第一个被插入的源文档。这可能导致信息混乱。

一个好的实践是在合并完成后，统一设置输出文档的元数据。

def set_pdf_metadata(pdf_document, title="", author="", subject="", keywords=""): """设置PDF的元数据。""" meta = { "title": title, "author": author, "subject": subject, "keywords": keywords, "creator": "My PDF Merger Tool", "producer": "PyMuPDF", } # 移除值为空的项 meta = {k: v for k, v in meta.items() if v} pdf_document.set_metadata(meta) # 在保存result_pdf之前调用 set_pdf_metadata(result_pdf, title="Weekly Report Consolidation", author="Auto-Merger")

6.4 处理“损坏”或非标准的PDF

有时你会遇到一些“奇怪”的PDF，它们可能由非标准工具生成，或者部分损坏。PyMuPDF在打开这类文件时可能会抛出异常。

尝试修复：可以先用其他工具（如Ghostscript的命令行工具gs）尝试修复PDF，再进行处理。但这超出了纯Python脚本的范围。

容错处理：在我们的合并函数中，已经用try...except包裹了每个文件的处理过程。当一个文件出错时，我们会跳过它并记录日志，而不是让整个任务失败。这对于批处理任务至关重要。你可以根据异常类型（如fitz.FileDataError）提供更具体的错误信息。

try: with fitz.open(pdf_path) as src_pdf: result_pdf.insert_pdf(src_pdf) except fitz.FileDataError as e: print(f"错误：文件 {pdf_path} 可能已损坏或不是有效的PDF。详情：{e}") except Exception as e: print(f"处理 {pdf_path} 时发生未知错误：{e}")

7. 超越合并：探索PDF处理的其他可能性

当你掌握了PDF合并的核心技能后，很容易将这些知识扩展到其他常见的PDF操作上，因为底层库的API是相通的。这里简要提几个方向，你可以基于现有的工具框架进行扩展。

拆分PDF：与合并相反，使用Page对象将文档的特定页面提取出来，保存为新的PDF。

def split_pdf_by_pages(input_pdf, page_ranges, output_prefix): """将PDF按指定页码范围拆分成多个文件。""" src_pdf = fitz.open(input_pdf) for i, (start, end) in enumerate(page_ranges): new_pdf = fitz.open() new_pdf.insert_pdf(src_pdf, from_page=start, to_page=end-1) new_pdf.save(f"{output_prefix}_part{i+1}.pdf") new_pdf.close() src_pdf.close()

提取文本和图片：PyMuPDF可以非常精确地定位和提取页面上的文本块和图像，这对于文档内容分析、数据抓取或存档非常有用。

page = doc[0] # 提取文本 text = page.get_text() # 提取图片列表 image_list = page.get_images() for img in image_list: # 处理图片...

旋转页面：批量调整扫描文档的方向。

page.set_rotation(90) # 旋转90度

添加链接和书签：在合并后的文档中创建可点击的目录或内部链接，提升阅读体验。

将这些功能与你已经实现的合并工具结合，你就能打造一个属于自己的、功能全面的PDF处理工具箱。无论是用于个人文档管理，还是集成到公司的自动化流程中，都能极大地提升效率。