使用 Python 一对一组合两个 PDF 列表答案

【问题标题】：Combine two lists of PDFs one to one using Python使用 Python 一对一组合两个 PDF 列表
【发布时间】：2012-06-05 23:15:02
【问题描述】：

我在 ESRI ArcMap 10 中使用数据驱动页面创建了一系列 PDF 文档（地图）。每个地图都有一个页面 1 和页面 2，每个地图都是从单独的 *.mxd 生成的。因此，我有一份包含每张地图第 1 页的 PDF 文档列表和一份包含每张地图第 2 页的 PDF 文档列表。例如：Map1_001.pdf、map1_002.pdf、map1_003.pdf...map2_001.pdf、map2_002.pdf、map2_003.pdf...等等。

我想将这些地图（第 1 页和第 2 页）附加在一起，以便将第 1 页和第 2 页放在每个地图的一个 PDF 中。例如：mapboth_001.pdf、mapboth_002.pdf、mapboth_003.pdf...（它们不必进入新的pdf文件（mapboth），可以将它们附加到map1）

对于每个地图1_ *.pdf 遍历目录并在文件名中的数字（* 所在的位置）匹配的地方附加 map2_ *.pdf

必须有一种方法可以使用 python 来做到这一点。也许结合使用 arcpy、os.walk 或 os.listdir，以及 pyPdf 和 for 循环？

对于 os.walk(datadirectory) 中的 pdf：

??

有什么想法吗？感谢您的帮助。

【问题讨论】：

标签： python pdf append pypdf

【解决方案1】：

PDF 文件的结构与纯文本文件不同。简单地将两个 PDF 文件放在一起是行不通的，因为文件的结构和内容可能会被覆盖或损坏。您当然可以自己创作，但这需要相当长的时间，并且需要深入了解 PDF 的内部结构。

也就是说，我建议您查看pyPDF。它支持您正在寻找的合并功能。

【讨论】：

...在Python中处理二进制数据是完全可能的。
是的，我很清楚这一点。然而，处理二进制数据和处理它很好是两件不同的事情。
如果你的答案说“.pdf 是一种复杂的格式；简单地连接文件会失败，编写自己的代码来操作它会非常复杂。”
我想我会同意的。

【解决方案2】：

这应该正确地找到并整理所有要合并的文件；它仍然需要实际的 .pdf 合并代码。

编辑：我添加了基于the pyPdf example code 的pdf 编写代码。它没有经过测试，但应该（据我所知）可以正常工作。

Edit2：意识到我有地图编号的十字路口；重新调整它以合并正确的地图集。

import collections
import glob
import re

# probably need to install this module -
#   pip install pyPdf
from pyPdf import PdfFileWriter, PdfFileReader

def group_matched_files(filespec, reg, keyFn, dataFn):
    res = collections.defaultdict(list)
    reg = re.compile(reg)
    for fname in glob.glob(filespec):
        data = reg.match(fname)
        if data is not None:
            res[keyFn(data)].append(dataFn(data))
    return res

def merge_pdfs(fnames, newname):
    print("Merging {} to {}".format(",".join(fnames), newname))

    # create new output pdf
    newpdf = PdfFileWriter()

    # for each file to merge
    for fname in fnames:
        with open(fname, "rb") as inf:
            oldpdf = PdfFileReader(inf)
            # for each page in the file
            for pg in range(oldpdf.getNumPages()):
                # copy it to the output file
                newpdf.addPage(oldpdf.getPage(pg))

    # write finished output
    with open(newname, "wb") as outf:
        newpdf.write(outf)

def main():
    matches = group_matched_files(
        "map*.pdf",
        "map(\d+)_(\d+).pdf$",
        lambda d: "{}".format(d.group(2)),
        lambda d: "map{}_".format(d.group(1))
    )
    for map,pages in matches.iteritems():
        merge_pdfs((page+map+'.pdf' for page in sorted(pages)), "merged{}.pdf".format(map))

if __name__=="__main__":
    main()

【讨论】：

【解决方案3】：

我没有任何可以尝试组合的测试 pdf，但我使用 cat 命令对文本文件进行了测试。你可以试试这个（我假设是基于 unix 的系统）：merge.py

import os, re
files = os.listdir("/home/user/directory_with_maps/")
files = [x for x in files if re.search("map1_", x)]
while len(files) > 0:
    current = files[0]
    search = re.search("_(\d+).pdf", current)
    if search:
        name = search.group(1)
        cmd = "gs -q -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -sOutputFile=FULLMAP_%s.pdf %s map2_%s.pdf" % (name, current, name)
        os.system(cmd)
    files.remove(current)

基本上它会遍历并获取 maps1 列表，然后遍历并假定正确的文件并仅遍历数字。（我可以看到使用计数器来执行此操作并用 0 填充以获得类似的效果）。

首先测试 gs 命令，我只是从http://hints.macworld.com/article.php?story=2003083122212228 获取的。

【讨论】：

【解决方案4】：

在 googlecode 的 pdfrw 项目页面上有如何执行此操作的示例：

http://code.google.com/p/pdfrw/wiki/ExampleTools

【讨论】：