如何使用PyPDF2获取PDF页面对象坐标实现自动裁剪多余空白

实现PDF自动裁剪空白的方案 #

原生PyPDF2没有封装直接提取页面内容边界的接口，想要替换硬编码的裁剪坐标实现动态裁剪，推荐两种可行方案： #

方案1：使用PyMuPDF（fitz）库实现（推荐，准确率更高） #

该库内置了直接获取页面内容最小包围盒的API，实现逻辑简单，兼容性强，适合绝大多数场景：

• 第一步先安装依赖：pip install pymupdf
• 完整实现代码：

import fitz

# 打开源PDF
doc = fitz.open("in.pdf")
# 预留边距，避免裁切到内容边缘，可根据需求调整
margin = 3

for page in doc:
    # 获取页面所有可见内容的最小边界框
    # 若不需要保留图像可添加参数 flags=fitz.TEXTFLAGS_IGNORE_IMAGES
    content_bbox = page.get_bbox()
    # 应用裁剪，可自行固定左右边界仅裁剪上下空白
    page.set_cropbox(fitz.Rect(
        # 若不需要裁剪左右侧，可替换为原页面的左右边界值，比如A4纸的0和595.275
        content_bbox.x0 - margin,
        content_bbox.y0 - margin,
        content_bbox.x1 + margin,
        content_bbox.y1 + margin
    ))

# 保存处理后的PDF
doc.save("out.pdf")
doc.close()

方案2：基于PyPDF2原生实现（兼容性一般） #

如果必须使用PyPDF2实现，需要自行解析页面内容流，提取所有绘制对象的坐标后统计边界，示例代码如下：

from PyPDF2 import PdfFileWriter, PdfFileReader

def get_content_bound(page):
    min_y = float('inf')
    max_y = -float('inf')
    # 取原页面左右边界作为固定值，仅计算上下内容边界
    fix_left = page.cropBox.getLowerLeft()[0]
    fix_right = page.cropBox.getUpperRight()[0]
    # 解析页面内容流提取坐标
    if '/Contents' in page:
        contents = page['/Contents'] if isinstance(page['/Contents'], list) else [page['/Contents']]
        for content in contents:
            data = content.get_data().decode('utf-8', errors='ignore')
            # 匹配绘制指令中的坐标值
            for line in data.split('\n'):
                line = line.strip()
                if line.endswith(('m', 'l', 're', 'Tj')):
                    parts = line.split()[:-1]
                    try:
                        coords = list(map(float, parts))
                        for i in range(0, len(coords), 2):
                            y = coords[i+1]
                            min_y = min(min_y, y)
                            max_y = max(max_y, y)
                    except:
                        continue
    # 无内容时返回原页面边界
    if min_y == float('inf'):
        return page.cropBox.getLowerLeft(), page.cropBox.getUpperRight()
    margin = 3
    return (fix_left, min_y - margin), (fix_right, max_y + margin)

# 原有逻辑修改版
with open("in.pdf", "rb") as in_f:
    input1 = PdfFileReader(in_f)
    output = PdfFileWriter()
    numPages = input1.getNumPages()
    for i in range(numPages):
        page = input1.getPage(i)
        lower_left, upper_right = get_content_bound(page)
        page.cropBox.setLowerLeft(lower_left)
        page.cropBox.setUpperRight(upper_right)
        output.addPage(page)
    with open("out.pdf", "wb") as out_f:
        output.write(out_f)

注意：该方案的坐标解析逻辑比较基础，对带复杂矢量图形、特殊排版的PDF兼容性较差，仅适合简单文本类PDF使用。

内容的提问来源于stack exchange，提问作者Jayklops