使用pypdf合并PDF文件

Question

我正在写一个脚本，用来从一个网站（maya.tase.co.il）提取链接，下载PDF文件并把它们合并在一起。这个过程大部分时间都能正常工作，但在合并的时候，根据不同的文件会出现各种错误。我搞不清楚为什么会这样。我把相关的代码剪切出来，专门为两个特定的有问题的文件建立了一个测试。这个脚本使用了pypdf库，但我愿意尝试任何有效的方法。有些文件是加密的，有些则不是。

def is_incry(pdf):
    from pyPdf import PdfFileWriter, PdfFileReader
    input=PdfFileReader(pdf)
    try:
        input.getNumPages()
        return input
    except:
        input.decrypt("")
        return input

def merg_pdf(to_keep,to_lose):
    import os
    from pyPdf import PdfFileWriter, PdfFileReader
    if os.path.exists(to_keep):
        in1=file(to_keep, "rb")
        in2=file(to_lose, "rb")
        input1 = is_incry(in1)
        input2 = is_incry(in2)
        output = PdfFileWriter()
        loop1=input1.getNumPages()
        for i in range(0,loop1):
            output.addPage(input1.getPage(i))#            
        loop2=input2.getNumPages()
        for i in range(0,loop2):
            output.addPage(input2.getPage(i))#
        outputStream = file("document-output.pdf", "wb")
        output.write(outputStream)
        outputStream.close()
        pdflen=loop1+loop2
        in1.close()
        in2.close()
        os.remove(to_lose)
        os.remove(to_keep)
        os.rename("document-output.pdf",to_keep)
    else:
        os.rename(to_lose,to_keep)
        in1=file(to_keep, "rb")
        input1 = PdfFileReader(in1)
        try:
            pdflen=input1.getNumPages()
        except:
            input1.decrypt("")
            pdflen=input1.getNumPages()
        in1.close()
        #input1.close()
    return pdflen


def test():
    import urllib
    urllib.urlretrieve ('http://mayafiles.tase.co.il/RPdf/487001-488000/P487028-01.pdf', 'temp1.pdf')
    urllib.urlretrieve ('http://mayafiles.tase.co.il/RPdf/488001-489000/P488170-00.pdf', 'temp2.pdf')
    merg_pdf('temp1.pdf','temp2.pdf')

test()

感谢任何花时间阅读这个内容的人。
Al.

Answer 1

我试着用pyPdf处理这些文档，发现这两个PDF文件都是加密的，空密码（""）是无效的。

查看Adobe的安全设置，你可以打印和复制文件，但当你用pyPdf的input.decrypt("")来解密时，文件还是加密的（也就是说，运行input.getNumPages()后仍然返回0）。

我能在OSX的预览中打开这个文件，并且可以把PDF保存为未加密的版本，这样后面的操作就正常了。不过，pyPdf是处理页面的，所以我觉得你不能通过pyPdf来做到这一点。你要么找到正确的密码，要么可以试试其他应用，比如用批处理的方式在OpenOffice中处理，或者用其他PDF插件也可以。

Answer 2

我之前写过一个复杂的PDF生成和合并的程序，现在我把它开源了。

你可以去看看：https://github.com/becomingGuru/nikecup/blob/master/reg/models.py#L71

def merge_pdf(self):
    from pyPdf import PdfFileReader,PdfFileWriter

    pdf_file = file_names['main_pdf']%settings.MEDIA_ROOT
    pdf_obj = PdfFileReader(open(pdf_file))

    values_page = PdfFileReader(open(self.make_pdf())).getPage(0)

    mergepage = pdf_obj.pages[0]
    mergepage.mergePage(values_page)

    signed_pdf = PdfFileWriter()
    for page in pdf_obj.pages:
        signed_pdf.addPage(page)

    signed_pdf_name = file_names['dl_done']%(settings.MEDIA_ROOT,self.phash)
    signed_pdf_file = open(signed_pdf_name,mode='wb')

    signed_pdf.write(signed_pdf_file)
    signed_pdf_file.close()
    return signed_pdf_name

它运行得非常顺利。希望对你有帮助。