PyPDF2 PdfFileMerger在合并文件中松散PDF模块

Question

我正在将PDF文件与PyPDF2合并，但是当其中一个文件包含一个填充了数据的PDF模块(一个典型的应用程序填充的PDF)时，在合并的文件中，模块是空的，没有显示数据。

下面是我用来合并PDF的两种方法：

def merge_pdf_files(pdf_files, i):
    pdf_merger = PdfFileMerger(strict=False)
    for pdf in pdf_files:
        pdf_merger.append(pdf)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    pdf_merger.write(output_filename)

def merge_pdf_files2(pdf_files, i):
    output = PdfFileWriter()
    for pdf in pdf_files:
        input = PdfFileReader(pdf)
        for page in input.pages:
            output.addPage(page)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    with open(output_filename,'wb') as output_stream:
        output.write(output_stream)

我期望最终的，合并的PDF显示所有的数据填充在PDF模块。或者，或者，有人可以告诉我另一个python库没有这个(表面上)的错误。谢谢

UPDATE I也尝试了PyMuPDF，结果也一样。

def merge_pdf_files4(pdf_files, i):
    output = fitz.open()
    for pdf in pdf_files:
        input = fitz.open(pdf)
        output.insertPDF(input)
    output_filename = '{out_root}{prog}.{cf}.pdf'.format(out_root=out_root_path, prog=i+1, cf=cf)
    output.save(output_filename)

也试过PyPDF4。与PyPDF2相同的结果

还尝试使用命令行从脚本启动的外部工具：

subprocess.call(cmd, shell=True)

一开始我试了pdftk，但也失败了。唯一起作用的是PDFill，商业版，花19美元在这个任务上.(可惜我找不到开源的、平台无关的解决方案。

Answer 1

最后，我自己解决了这个问题，我在这里分享，希望能对其他人有所帮助。

这是一项艰巨的任务。

最后，我粘贴到pdfrw库(https://pypi.org/project/pdfrw/和https://github.com/pmaupin/pdfrw)上，它提供了良好的PDF-DOM表示，非常接近Adobe官方引用(reference.html)中公开记录的PDF-结构。

使用这个库、PyCharm的对象检查器和Adobe的文档，我可以对输出文件的结构进行实验，并发现简单的1行合并：

    from pdfrw import PdfReader, PdfWriter

    output = PdfWriter()
    input = PdfReader(pdf_filename)
    output.addpages(input.pages)

不会将AcroForm节点添加到输出 PDF文件中，从而丢失所有表单字段。

因此，我不得不编写自己的代码来合并，尽可能地，各种输入文件的AcroForm节点。

我强调“尽我所能的最佳广告”这个句子，因为我最终得到的合并函数远不是完美的，但至少它对我有用，如果需要的话，可以帮助其他人在这一点上建立起来。

要做的一件重要事情是重命名表单字段以避免冲突，因此我将它们重命名为{file_num}_{field_num}_{original_name}。

然后，由于不知道如何合并CO、DA、DR和NeedAppearances节点，我只需添加包含它们的第一个源文件的节点。如果后续文件中存在相同的节点，则跳过它。

我跳过了，除了字体，我合并了DR节点的字体子节点的内容。

最后，在我的第一次尝试中，所有上述操作都是对output的预告片属性进行的。然后，我发现每次从新输入文件中添加页面时，pdfrw似乎都会删除预告片中已经存在的任何AcroForm。我不知道原因，但我必须构建一个ouptut_acroform变量，并将其赋值给输出文件行，然后才能写出最终的pdf。

最后，这是我的代码。原谅我，如果它不是节奏曲，我只是希望它澄清以上各点。

from pdfrw import PdfReader, PdfWriter, PdfName


def merge_pdf_files_pdfrw(pdf_files, output_filename):
  output = PdfWriter()
  num = 0
  output_acroform = None
  for pdf in pdf_files:
      input = PdfReader(pdf,verbose=False)
      output.addpages(input.pages)
      if PdfName('AcroForm') in input[PdfName('Root')].keys():  # Not all PDFs have an AcroForm node
          source_acroform = input[PdfName('Root')][PdfName('AcroForm')]
          if PdfName('Fields') in source_acroform:
              output_formfields = source_acroform[PdfName('Fields')]
          else:
              output_formfields = []
          num2 = 0
          for form_field in output_formfields:
              key = PdfName('T')
              old_name = form_field[key].replace('(','').replace(')','')  # Field names are in the "(name)" format
              form_field[key] = 'FILE_{n}_FIELD_{m}_{on}'.format(n=num, m=num2, on=old_name)
              num2 += 1
          if output_acroform == None:
              # copy the first AcroForm node
              output_acroform = source_acroform
          else:
              for key in source_acroform.keys():
                  # Add new AcroForms keys if output_acroform already existing
                  if key not in output_acroform:
                      output_acroform[key] = source_acroform[key]
              # Add missing font entries in /DR node of source file
              if (PdfName('DR') in source_acroform.keys()) and (PdfName('Font') in source_acroform[PdfName('DR')].keys()):
                  if PdfName('Font') not in output_acroform[PdfName('DR')].keys():
                      # if output_acroform is missing entirely the /Font node under an existing /DR, simply add it
                      output_acroform[PdfName('DR')][PdfName('Font')] = source_acroform[PdfName('DR')][PdfName('Font')]
                  else:
                      # else add new fonts only
                      for font_key in source_acroform[PdfName('DR')][PdfName('Font')].keys():
                          if font_key not in output_acroform[PdfName('DR')][PdfName('Font')]:
                              output_acroform[PdfName('DR')][PdfName('Font')][font_key] = source_acroform[PdfName('DR')][PdfName('Font')][font_key]
          if PdfName('Fields') not in output_acroform:
              output_acroform[PdfName('Fields')] = output_formfields
          else:
              # Add new fields
              output_acroform[PdfName('Fields')] += output_formfields
      num +=1
  output.trailer[PdfName('Root')][PdfName('AcroForm')] = output_acroform
  output.write(output_filename)

希望这能有所帮助。