如何避免PyMuPDF提取PDF时引入意外区块内容？

问题1：跨页面页眉内容意外引入输出页 #

原因分析 #

原PDF的页眉（页码）大概率是共享XObject资源或通过页面模板引用的内容，仅靠show_pdf_page的裁剪参数只是视觉隐藏，实际内容对象仍会被复制到目标文档。ez_save()和scrub()无法清理这类跨页引用的资源。

解决代码 #

改用Page.copy_areas()精准复制指定区域，只提取目标内容，避免引入额外资源：

import fitz

src_doc = fitz.open("source.pdf")
dst_doc = fitz.open()

# 提取第3页的目标区域（PyMuPDF页码从0开始，第3页对应索引2）
src_page = src_doc[2]
crop_rect = fitz.Rect(50, 100, 550, 700)  # 替换为你的精确裁剪坐标

# 创建与裁剪区域尺寸一致的空白目标页
dst_page = dst_doc.new_page(width=crop_rect.width, height=crop_rect.height)
# 复制源页指定区域到目标页左上角
dst_page.copy_areas(src_page, [crop_rect], [fitz.Point(0, 0)])

# 清理冗余资源后保存
dst_doc.scrub()
dst_doc.save("output_question1.pdf", garbage=4)  # garbage=4 强制清理所有冗余对象

dst_doc.close()
src_doc.close()

问题2：提取页脚时带出多余内容、Cropbox保存失效及对象引用错误 #

原因分析 #

1. 仅临时设置Cropbox未持久化到页面字典，保存时被原PDF默认布局覆盖；
2. "source object number out of range"错误通常是复制页面时未正确处理资源引用，比如直接复制页面后修改，导致引用了原文档中不存在的对象。

解决代码 #

方案1：持久化设置Cropbox并正确复制页面

import fitz

src_doc = fitz.open("source.pdf")
dst_doc = fitz.open()

# 提取第11页的页脚区域（页码从0开始，第11页对应索引10）
src_page = src_doc[10]
footer_rect = fitz.Rect(50, 750, 550, 800)  # 替换为你的页脚坐标

# 先设置源页Cropbox，再复制到目标文档
src_page.set_cropbox(footer_rect)
dst_page = dst_doc.copy_page(src_page)
# 再次确认目标页Cropbox，避免被原布局覆盖
dst_page.set_cropbox(footer_rect)

# 保存时启用强垃圾回收
dst_doc.save("output_footer.pdf", garbage=4, deflate=True)

dst_doc.close()
src_doc.close()

方案2：用copy_areas提取页脚，彻底避免对象引用错误

如果上述方法仍报错，直接复制页脚区域到新页面：

import fitz

src_doc = fitz.open("source.pdf")
dst_doc = fitz.open()

src_page = src_doc[10]
footer_rect = fitz.Rect(50, 750, 550, 800)

# 创建与页脚尺寸一致的空白页
dst_page = dst_doc.new_page(width=footer_rect.width, height=footer_rect.height)
# 复制页脚区域到目标页
dst_page.copy_areas(src_page, [footer_rect], [fitz.Point(0, 0)])

dst_doc.save("output_footer.pdf")

dst_doc.close()
src_doc.close()

额外注意事项 #

• 坐标确认：PyMuPDF坐标原点在页面左下角，可先用src_page.get_text("blocks")查看内容块位置，精准定位目标区域；
• 资源清理：保存时加上garbage=4参数，强制清理未使用对象，避免残留冗余内容；
• 模板页处理：如果原PDF使用母版页/模板，可先执行src_page.set_rotation(0)重置旋转，再提取内容。

内容的提问来源于stack exchange，提问作者SpectraXCD