问题标签 [pypdf2]

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：

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。

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！

我已经编写了一些代码来从“pdf”文件的特定页面读取数据并使用 python 将其写入 csv 文件。它只是部分地完成了它的工作。但是，在将数据写入 csv 文件时，它会将这些数据写入单行而不是常规模式。我应该如何修改我的脚本以达到目的？提前致谢。

这是我迄今为止尝试过的：

pdf中的数据如下：

我在 csv 输出中获取数据，例如：

我正在尝试使用 Python 从 PDF 中提取文本，并且我已经使用 PyPDF2 成功地做到了这一点，如下所示：

这会从页面中提取所有文本，但我只想从页面左上角的 3'x4' 矩形区域中提取文本。

我基本上想做类似的事情：如何从特定矩形区域内的 pdf 文档中提取文本？但在 Python 中

这可以通过 PyPDF2 或任何其他 Python 库来完成吗？

首先，我使用的是 Python 3.5.1（32 位版本），我编写了以下程序，使用 PyPDF2 和 reportlab 在我的 pdf 文件的所有页面上添加页码：

该程序适用于相当多的 PDF 文件（尽管有时会生成警告，如 ' PdfReadWarning: Superfluous whitespace found in object header b'16' b'0' [pdf.py:1666]' 但生成的输出文件对我来说没问题）。但是，该程序无法处理某些 PDF 文件，尽管这些文件在我的 Adob​​e Acrobat 中是完全可读和可编辑的。我的印象是，错误主要出现在已扫描的 PDF 文件上，但并非全部出现（我还对未生成任何错误的扫描 PDF 文件进行了编号）。我收到以下错误消息（前 8 行是我自己的打印命令的结果）：

显然，这些页面与由 reportlab 创建的 PDF 合并（参见第 6/6 页的行），但最终 PyPDF2 无法生成输出 PDF 文件（我得到一个不可读的 0 字节输出文件）。有人可以阐明如何解决这个问题吗？我搜索了互联网，但无法真正找到答案。

我正在尝试从 pdf 文件中解析文本。当我在做 PyPDF2 的教程时，我得到了以下错误。我搜索了答案，但最终没有找到答案。任何帮助将不胜感激。

这是完整代码

我正在尝试根据他们所在的县生成 pdf 文件。如果每个县有多个 pdf 文件，那么我需要根据县键将文件附加到一个文件中。我似乎无法根据密钥附加地图。生成的最终地图似乎是随机的，并且通常附加了太多的文件。我很确定我没有正确地将它们分组。我读过一个键中的多个值可能会导致多次显示。有人可以告诉我如何分别访问每个键的每个值，仅一次？显然我不理解一些关键的东西。

我的代码：

我输出了四张地图（这是正确的），但是其中一些文件中的“页面”（附加文件）的数量非常少。据我所知，这些页面的附加方式没有押韵或理由。County4 pdf 有 3 页（正确），County1 pdf 有 8 页而不是 2 页，County3 pdf 有 1 页（正确），County2 有 15 页而不是 2 页。

编辑：

事实证明 pyPDF2 不喜欢使用 group-by 的概念迭代和创建文件。我想它与它如何存储内存有关。结果是在您遍历键值时创建的页面数量越来越多。我花了几天时间认为这是我的编码。很高兴知道这不是我猜的，但我很惊讶这条信息并没有“在互联网上”更好。

我的解决方案是使用 arcpy，这对大多数用户阅读本文没有帮助，抱歉。

对于那些查看我的解决方案的人，我的 csv 文件如下所示：

我生成的 pdf 文件如下所示：

我尝试在 Python 3 中使用 PyPDF2 模块，但无法显示“页面大小”属性。在扫描到 PDF 文件之前，我想知道纸张尺寸是多少。

像这样的东西：

但我正在寻找另一个 Python 函数，而不是例如 getNumPages()...

下面的这个命令打印某种元数据，但没有页面大小：

我曾尝试 PyPDF2 使用以下代码段从 PDF 中提取和解析文本；

案例 1：当我尝试解析 pdf 文本时，我未能完全按照它们在 pdf 中出现的方式解析它们。例如，

rawText在这种情况下，在orextractedText和结果中都找不到换行符或换行符，如下所示 -

案例2：对于以下案例，

它给出的结果为-

这更难以解析和区分这些单独的分数。是否可以使用 PyPDF2 或任何其他 Python 库完美解析这些场景？

我正在尝试使用 Python 3 从 PDF 中提取交易数据作为一个简单的程序。我看到的是输出从第 1 页返回为垃圾文本。这发生在特定的银行对账单 pdf 上，而其他 PDF 工作正常。

6
ÉŁ@äKâKñ øððõòô õùô`øòððóøøðÅ¢Š†IŒfiñ</code>øøøôôöóóðøããèñøððùõõøðöð׆¨@‡¨@Š‹ŒŁ– ñøððôóö÷ùõøÖ¤£¢›—–@äKâK@…†fifi@…Œfifi–…£ñ<code>óðò

不知道其他人是否有类似的问题？或任何建议？

这是如何使用 Python 在 PDF 中将“缺失”页面作为空白页面插入的重写？但我正在尝试使用PdfFileWriter其他方法来做到这一点：cloneDocumentFromReader()并且addBlankPage()，因为这样看起来更干净。

我需要在 PDF 的末尾添加一个空白页，如果它包含奇数页，但页数大于 1。

所以我正在尝试这样做：

该代码有效，但创建的 PDF 比原始 PDF 小，并且在尝试在 Adob​​e Acrobat 中打开时出现错误（不解析）。

我是否将某些内容与它应该如何工作混为一谈？当我看到我无法使用 PdfWriter 在 Pdf 中导航以选择添加空白页的位置时，我有点惊讶，但我认为，在我克隆文档后，它应该在最后页面有一些内部“标记”？