6

我希望在纯python的内存中有效地将一堆小pdf连接（附加）在一起。具体来说，通常情况是 500 个单页 pdf，每个大小约为 400 kB，合并为一个。假设 pdf 可作为内存中的迭代器使用，例如列表：

my_pdfs = [pdf1_fileobj, pdf2_fileobj, ..., pdfn_fileobj]  # type is BytesIO

其中每个 pdf_fileobj 的类型为 BytesIO。然后，基本内存使用量约为 200 MB（500 个 pdf，每个 400kB）。

理想情况下，我希望使用不超过 400-500 MB 的总内存（包括my_pdfs）连接以下代码。但是，情况似乎并非如此，最后一行的调试语句表明使用的最大内存几乎是 700 MB。此外，使用 Mac os x 资源监视器，当到达最后一行时，分配的内存被指示为 600 MB。

运行会将gc.collect()其减少到 350 MB（几乎太好了？）。在这种情况下，为什么我必须手动运行垃圾收集来摆脱合并垃圾？我已经看到这（可能）导致内存在稍微不同的情况下积累，我现在将跳过。

import PyPDF2
import io
import resources  # For debugging

def merge_pdfs(iterable):
    ''' Merge pdfs in memory '''
    merger = PyPDF2.PdfFileMerger()
    for pdf_fileobj in iterable:
        merger.append(pdf_fileobj)

    myio = io.BytesIO()
    merger.write(myio)
    merger.close()

    myio.seek(0)
    return myio

my_concatenated_pdf = merge_pdfs(my_pdfs)

# Print the maximum memory usage
print('Memory usage: %s (kB)' % resource.getrusage(resource.RUSAGE_SELF).ru_maxrss)

问题摘要

  • 为什么上面的代码需要将近 700 MB 的内存来合并 200 MB 的 pdf？不应该 400 MB + 开销就足够了吗？我该如何优化它？
  • 当有问题的变量应该已经超出范围时，为什么我需要手动运行垃圾收集来摆脱 PyPDF2 合并垃圾？
  • 这种通用方法怎么样？BytesIO适合使用这种情况吗？merger.write(myio)考虑到一切都发生在 ram 中，它的运行似乎有点慢。

谢谢！

4

2 回答 2

1

问：为什么上面的代码需要将近 700 MB 的内存来合并 200 MB 的 pdf？不应该 400 MB + 开销就足够了吗？我该如何优化它？

A: 因为.append创建了一个新的流对象然后你使用merger.write(myio)，它创建了另一个流对象并且你已经有 200 MB 的 pdf 文件在内存中，所以 3*200 MB。

问：当有问题的变量应该已经超出范围时，为什么我需要手动运行垃圾收集来摆脱 PyPDF2 合并垃圾？

答：这是 PyPDF2 中的一个已知问题。

问：这个通用方法怎么样？BytesIO适合使用这种情况吗？

答：考虑到内存问题，您可能想尝试不同的方法。也许一个一个合并，暂时将文件保存到磁盘，然后从内存中清除已经合并的文件。

于 2018-01-02T10:54:20.917 回答
0

PyMuPdf 库也可能是解决PDFMergerfrom性能问题的一个不错的选择PyPDF2。

于 2019-04-23T11:59:01.957 回答