使用 Python 递归合并 PDF

介绍

将多个 PDF 文件合并到一个文档中可能是一项繁琐的任务，尤其是当文件分布在多个目录中时。使用 Python，这项任务变得无缝且自动化。在本教程中，我们将使用 PyPDF2 创建一个命令行界面 (CLI) 工具，然后单击合并目录（包括其子目录）中的所有 PDF 文件，同时排除 .venv 和 .git 等特定目录。

---

先决条件

开始之前，请确保您具备以下条件：

1. Python：版本 3.7 或更高版本。
2. pip：Python 的包管理器。

3. 所需的库：

   • 安装 PyPDF2 进行 PDF 操作：

    pip install PyPDF2
   

• 安装单击以创建 CLI：
  

   pip install click
  

---

代码演练

这是我们的 CLI 工具的完整代码：

import click
from pathlib import Path
from PyPDF2 import PdfMerger
import os

EXCLUDED_DIRS = {".venv", ".git"}

@click.command()
@click.argument("directory", type=click.Path(exists=True, file_okay=False, path_type=Path))
@click.argument("output_file", type=click.Path(dir_okay=False, writable=True, path_type=Path))
def merge_pdfs(directory: Path, output_file: Path):
    """
    Merge all PDF files from DIRECTORY and its subdirectories into OUTPUT_FILE,
    excluding specified directories like .venv and .git.
    """
    # Initialize the PdfMerger
    merger = PdfMerger()

    # Walk through the directory tree, including the base directory
    for root, dirs, files in os.walk(directory):
        # Exclude specific directories
        dirs[:] = [d for d in dirs if d not in EXCLUDED_DIRS]

        # Convert the root to a Path object
        current_dir = Path(root)

        click.echo(f"Processing directory: {current_dir}")

        # Collect PDF files in the current directory
        pdf_files = sorted(current_dir.glob("*.pdf"))

        if not pdf_files:
            click.echo(f"No PDF files found in {current_dir}")
            continue

        # Add PDF files from the current directory
        for pdf in pdf_files:
            click.echo(f"Adding {pdf}...")
            merger.append(str(pdf))

    # Write the merged output file
    output_file.parent.mkdir(parents=True, exist_ok=True)
    merger.write(str(output_file))
    merger.close()

    click.echo(f"All PDFs merged into {output_file}")

if __name__ == "__main__":
    merge_pdfs()

---

它是如何运作的

1. 目录遍历:

   • os.walk()函数递归遍历指定目录。
   • 使用目录过滤器排除特定目录（例如 .venv、.git）。

2. PDF 文件集合:

   • current_dir.glob("*.pdf") 收集当前目录下的所有 PDF 文件。

3. 合并 PDF:

   • PyPDF2 中的 PdfMerger 用于附加所有 PDF。
   • 合并后的输出写入指定文件。

4. CLI 集成:

   • 点击库可以轻松提供目录和输出文件路径作为参数。

---

运行工具

将代码保存到文件中，例如 merge_pdfs.py。从终端运行它，如下所示：

python merge_pdfs.py /path/to/directory /path/to/output.pdf

例子

假设您有以下目录结构：

/documents
├── file1.pdf
├── subdir1
│   ├── file2.pdf
├── subdir2
│   ├── file3.pdf
├── .git
│   ├── ignored_file.pdf

按如下方式运行该工具：

python merge_pdfs.py /documents /merged.pdf

这会将 file1.pdf、file2.pdf 和 file3.pdf 合并为 merged.pdf，跳过 .git。

---

特征

1. 递归合并:

   • 该工具自动包含所有子目录中的 PDF。

2. 目录排除:

   • 排除 .venv 和 .git 等目录以避免不相关的文件。

3. 排序合并:

   • 确保 PDF 按排序顺序添加以获得一致的结果。

4. CLI 简单性:

   • 为用户提供直观的界面来指定输入和输出路径。

---

注意事项和限制

1. 大文件：

   • 合并大量 PDF 可能会消耗大量内存。首先使用较小的数据集进行测试。

2. PDF 兼容性:

   • 确保所有输入的 PDF 有效且未损坏。

3. 自定义排除：

   • 修改 EXCLUDED_DIRS 设置以根据需要排除其他目录。

---

结论

本教程演示如何使用 Python 自动合并目录结构中的 PDF。提供的 CLI 工具非常灵活，可以适应更复杂的工作流程。尝试一下，让我们知道它如何为您服务！

编码愉快！ ？

以上是使用 Python 递归合并 PDF的详细内容。更多信息请关注PHP中文网其他相关文章！