Python脚本高亮PDF后文件体积过大，如何优化？

针对700页PDF处理时体积过大、脚本崩溃的问题，可从内存管控、压缩优化、逻辑精简三个方向进行优化：

1. 分批处理+增量保存，降低内存负载 #

一次性加载全量页面会占用大量内存，导致程序崩溃。通过分批处理页面，每完成一批就增量保存并释放内存，可有效缓解内存压力。

2. 启用PDF压缩与垃圾回收，减小输出体积 #

利用fitz的保存参数启用压缩，并清理PDF中的无用对象，能大幅降低输出文件的体积。

3. 精准定位页面，减少冗余搜索 #

如果从Kindle MyClippings.txt提取标注时能拿到对应页码，直接定位到目标页面搜索文本，避免遍历所有页面，提升处理效率。

通用优化代码（无页码映射） #

import fitz

def highlight_pdf(input_path, output_path, text_list, batch_size=50):
    doc = fitz.open(input_path)
    total_pages = len(doc)
    
    for start in range(0, total_pages, batch_size):
        end = min(start + batch_size, total_pages)
        # 处理当前批次页面
        for page_num in range(start, end):
            page = doc[page_num]
            for text in text_list:
                quads = page.search_for(text, quads=True)
                if quads:
                    page.add_highlight_annot(quads)
            # 清理页面冗余内容，释放内存
            page.clean_contents()
        
        # 增量保存，仅写入修改部分
        doc.save(output_path, incremental=True, garbage=3, compression=fitz.PDF_COMPRESSION_DEFLATE)
        # 重置文档状态，释放已处理页面内存
        doc.reload()
    
    # 最终完整保存并关闭文档
    doc.save(output_path, garbage=3, compression=fitz.PDF_COMPRESSION_DEFLATE)
    doc.close()

# 使用示例
text_list = [
    "first piece of text", 
    "second piece of text",
    "third piece of text"
]

highlight_pdf("text_to_highlight.pdf", "text_annotated.pdf", text_list)

关键参数说明：

• batch_size=50：每批处理50页，可根据自身内存情况调整
• incremental=True：增量保存模式，大幅提升保存速度并减少内存占用
• garbage=3：彻底清理PDF中未使用的资源、旧版本内容等无用对象
• compression=fitz.PDF_COMPRESSION_DEFLATE：启用Deflate压缩，显著减小输出文件体积
• page.clean_contents()：清理页面的冗余内容，释放单页占用的内存

进阶优化代码（带页码映射） #

如果从MyClippings.txt提取的标注包含对应页码，可直接定位页面处理，避免全量遍历：

import fitz

# 假设从MyClippings.txt提取的标注格式：{原书页码: [标注文本列表]}
annotations_by_page = {
    10: ["first piece of text"],
    25: ["second piece of text"],
    # ... 其他页码与对应文本
}

def highlight_pdf_with_pages(input_path, output_path, annotations_by_page):
    doc = fitz.open(input_path)
    for book_page, text_list in annotations_by_page.items():
        # fitz的页码从0开始，需将原书页码减1
        page = doc[book_page - 1]
        for text in text_list:
            quads = page.search_for(text, quads=True)
            if quads:
                page.add_highlight_annot(quads)
        page.clean_contents()
    
    doc.save(output_path, garbage=3, compression=fitz.PDF_COMPRESSION_DEFLATE)
    doc.close()

# 使用示例
highlight_pdf_with_pages("text_to_highlight.pdf", "text_annotated.pdf", annotations_by_page)

内容的提问来源于stack exchange，提问作者Ramiro