Python合并PDF脚本\_PyPDF2教程详解

本文深入剖析了使用PyPDF2.PdfMerger自动合并PDF时最常踩的四大“坑”：路径未排序导致页序错乱（尤其数字文件名未补零）、封面页重复插入、PyPDF2 4.0+版本API变更引发的fileobj参数缺失报错、中文乱码源于字体不嵌入，以及大文件合并时内存爆满甚至卡死；不仅一针见血指出根本原因，更给出即插即用的解决方案——从正则提取数字排序、跳过封面页的pages切片、强制显式传入PdfReader对象、切换至内存友好的PyMuPDF，到压缩预处理与工具链选型建议，帮你避开线上翻车，真正实现稳定、可控、跨平台的PDF自动化拼接。

PyPDF2.PdfMerger 合并 PDF 时空白页或顺序错乱

根本原因是 PdfMerger.append() 默认按文件系统读取顺序添加，但实际传入路径列表若未显式排序，容易因文件名数字未补零（如 "page1.pdf"、"page10.pdf"）导致字典序错位；另外，某些 PDF 的第一页含封面/元数据，直接追加会把封面重复塞进中间。

• 用 sorted() 对路径预处理，必要时用 re.findall(r'\d+', name) 提取数字再排序
• 避免直接传 glob.glob("*.pdf")，改用 sorted(glob.glob("*.pdf"), key=lambda x: int(re.search(r'(\d+)', x).group(1)))
• 如果源 PDF 有封面且只需合并内容页，用 reader = PdfReader(f); merger.append(fileobj=reader, pages=(1, None)) 跳过第 0 页

PyPDF2 4.0+ 版本中 PdfMerger.append() 报错 AttributeError: 'PdfMerger' object has no attribute '_pages'

这是 PyPDF2 从 3.x 升级到 4.0 后的内部结构变更：旧写法 merger.append(pdf_path) 在 4.0+ 中必须显式指定 fileobj 参数，否则触发属性访问失败。

• 正确写法是 merger.append(fileobj=PdfReader(pdf_path))，不能省略 fileobj=
• 若需保留页码书签，加参数 import_outline=True（默认为 True，但显式写出更稳妥）
• PyPDF2 4.0+ 不再支持直接传字符串路径，传错会报这个错，不是环境问题，是 API 改动

合并后中文乱码或字体丢失

PyPDF2 不嵌入字体，只复制原始 PDF 的字体引用。如果源 PDF 使用了非标准字体（比如 Windows 的“微软雅黑”或 macOS 的“PingFang SC”），而目标阅读器没装对应字体，就会 fallback 到缺省字体，显示方块或英文。

• 这不是 PyPDF2 的 bug，是 PDF 规范限制——它不处理字体渲染，只做对象拼接
• 临时缓解：用 pdftoppm 或 pdf2image 转成图片再合成，但丧失文本可选性
• 真正解法：用 reportlab + PyPDF2 拆出文本重排，或换 pypdf（PyPDF2 的继任者，对字体引用处理稍好，但仍不嵌入）

大文件合并卡死或内存爆满

PyPDF2 把整个 PDF 解析进内存，每个 100MB 的 PDF 可能占用 500MB+ 内存，合并 10 个就超 5GB。尤其当 PDF 含大量图像或图层时，PdfReader 初始化阶段就卡住。

• 用 fitz.open()（即 PyMuPDF）替代，它流式读取，内存占用低一个数量级
• 如果坚持用 PyPDF2，先用 pdfsizeopt 或 ghostscript 压缩源文件：gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.4 -dPDFSETTINGS=/ebook -dNOPAUSE -dQUIET -dBATCH -sOutputFile=small.pdf input.pdf
• 别在循环里反复创建 PdfReader 实例，复用 reader 对象，减少解析开销

真正麻烦的是跨平台字体和大文件内存控制——这两个点不提前压测，上线后才发现，基本就得重写流程。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python合并PDF脚本\_PyPDF2教程详解》文章吧，也可关注golang学习网公众号了解相关技术文章。