将 PDF 页面合并为 1 个文件而不生成单页文件答案

【问题标题】：Merge PDF pages to 1 file without generating single page files将 PDF 页面合并为 1 个文件而不生成单页文件
【发布时间】：2022-06-29 22:30:45
【问题描述】：

我们的目标是获取一组 jpg/tif 图像并将它们转换为 1 个可文本搜索的 PDF。我正在使用 Python 的 PyPDF2 和 pytesseract 来实现这一点；但是，如果不将每个页面保存为自己的 PDF，我无法找到组合这些页面的方法。原来这些集合中的一些可能是 1k-10k 页面，因此不幸的是，单独保存每个页面不再可行......这是我到目前为止所得到的：

# Convert each image to a searchable PDF
for fileset in filesets:
    merger = PdfFileMerger()
    page_path = fr".\output\pages"
    for file in fileset:
        # Load image, read with pytesseract
        path = os.path.join(download_location,file)
        img = cv2.imread(path,1)
        result = (pytesseract.image_to_pdf_or_hocr(img, lang="eng",config=tessdata_dir_config))
        # Save result as PDF
        f = open(os.path.join(path_out,getfilename.findall(file)[0])+".pdf","w+b")
        f.write(bytearray(result))
        f.close()

这对于单页效果很好，从这里我可以合并每个页面并将它们保存为一个文档，例如：

# pdfs is a list of all the single page pdf's
for page in pdfs: 
    merger.append(page)

merger.write(fr".\output\{FILE}.pdf")
merger.close();
del merger
    
# Get rid of single page files
for page in pdfs: 
    os.remove(page)

这会根据需要生成文本可搜索的 PDF，但那些单独的页面文件会破坏我的记忆。我尝试将result 对象附加到merger，这会产生AttributeError: 'bytearray' object has no attribute 'seek' 错误。我还尝试使用PyPDF2.PdfFileReader() 将result 对象作为PDF 读取，并得到了类似的结果。有什么想法吗？

【问题讨论】：

PS：因为我已经将这些 PDF 对象作为 byte() 保存在内存中，所以我认为可以以某种方式直接组合它们，类似于在文本文件中添加 \n 以创建一条新线，但我试图找到一种方法来做到这一点也是徒劳的

标签： python pdf merge pypdf2

【解决方案1】：

你需要使用BytesIO:

for fileset in filesets:
    merger = PdfFileMerger()
    page_path = fr".\output\pages"
    for file in fileset:
        # Load image, read with pytesseract
        path = os.path.join(download_location,file)
        img = cv2.imread(path,1)
        result = pytesseract.image_to_pdf_or_hocr(img, lang="eng",config=tessdata_dir_config)
        merger.append(BytesIO(result))

merger.write(fr".\output\{FILE}.pdf")

【讨论】：