基于特定文本匹配的Python多页PDF拆分需求及代码报错排查

原代码中的关键错误 #

• 未导入PageObject且调用方式错误：应该使用当前页面对象的extract_text()方法，而非PageObject.extract_text()
• 变量作用域问题：保存文件时的municipality未在当前作用域定义，且原逻辑未关联页码与对应城市名称
• 未导入Path模块，导致文件路径拼接失败
• 拆分逻辑错误：原循环条件会多包含一页，且未处理最后一段无标记的内容
• 重复初始化PdfReader：函数内和外部都打开了同一个PDF，浪费资源

修正后的完整代码 #

from PyPDF2 import PdfWriter, PdfReader
import re
from pathlib import Path

# 替换为你的实际城市列表
array_merged_zone_send = ["rome", "milan", "naples"]

def get_page_breaks(file_name: str) -> list[tuple[int, str]]:
    pdf_reader = PdfReader(file_name)
    page_breaks = []
    for page_num in range(len(pdf_reader.pages)):
        page = pdf_reader.pages[page_num]
        page_text = page.extract_text()
        if not page_text:
            continue  # 跳过无文本页面
        for municipality in array_merged_zone_send:
            target_text = f'PANORAMICA DI {municipality.upper()}'
            if re.search(target_text, page_text):
                page_breaks.append((page_num, municipality))
                break  # 找到匹配后跳出循环，避免重复记录
    return page_breaks

def split_pdf(input_path: str, page_breaks: list[tuple[int, str]]):
    pdf_reader = PdfReader(input_path)
    total_pages = len(pdf_reader.pages)
    # 添加文档末尾作为最后一个分割点
    page_breaks.append((total_pages, None))
    
    for idx in range(len(page_breaks)-1):
        start_page, municipality = page_breaks[idx]
        end_page, _ = page_breaks[idx+1]
        # 子PDF包含从start_page到end_page-1的页面
        writer = PdfWriter()
        for page_num in range(start_page, end_page):
            writer.add_page(pdf_reader.pages[page_num])
        # 生成目标文件并保存
        output_filename = f'zp_{municipality}.pdf'
        with open(Path('.') / output_filename, "wb") as out_stream:
            writer.write(out_stream)
        print(f"已生成文件: {output_filename}")

# 主执行逻辑
if __name__ == "__main__":
    input_pdf_path = "./report1.pdf"
    breaks = get_page_breaks(input_pdf_path)
    if not breaks:
        print("未找到任何匹配的标记文本，无法拆分PDF")
    else:
        split_pdf(input_pdf_path, breaks)

关键改进说明 #

• 将页码与对应城市名称绑定存储，确保生成的文件名准确对应目标内容
• 优化文本提取逻辑，跳过无文本页面提升效率
• 拆分逻辑更清晰：从当前标记页开始，到下一个标记页的前一页结束
• 统一管理PDF阅读器实例，避免重复打开文件浪费资源
• 添加基础错误处理：未找到标记时给出明确提示
• 使用pathlib处理文件路径，跨系统兼容性更好

内容的提问来源于stack exchange，提问作者simone100