PyPDF2合并PDF丢页或报PageObject错，因PdfMerger引用原文件页对象而非深拷贝，需以rb模式打开并全程保持文件句柄开启；加密PDF须先decrypt()；禁用旧版addPage，统一用append()。
用 PyPDF2 合并 PDF 时为什么总丢页或报 PageObject 错？
PyPDF2 的 PdfMerger 是最轻量的合并方案，但它的底层逻辑是“引用原文件页对象”，不是深拷贝。一旦源 PDF 被关闭、或读取时用了 strict=False 忽略错误，后续追加页就可能失效。
- 合并前必须确保所有输入文件都以
rb模式打开，并全程保持打开状态（不能先read()再关掉） - 遇到加密 PDF，
merger.append(pdf_file, pages=(0, None))会直接抛NotImplementedError，得先用decrypt()解密 - 不要混用
PdfReader和PdfMerger的旧版写法（比如手动调addPage），新版merge()/append()才稳定
from PyPDF2 import PdfMerger
merger = PdfMerger()
for f in ["a.pdf", "b.pdf"]:
with open(f, "rb") as fp:
merger.append(fp) # 注意：fp 不能提前 close()
with open("out.pdf", "wb") as out:
merger.write(out)
拆分多页 PDF 时怎么按逻辑块（比如每章）切，而不是固定页数？
靠页码数字硬切（如每 10 页一拆）在真实文档里基本不可用——目录页、封面、附录、页眉页脚都会打乱节奏。真正靠谱的是结合文本内容定位，比如找“第 X 章”或“Appendix”字样所在页。
-
PyPDF2提取文本能力弱，遇到扫描件或含图 PDF 就返回空字符串；优先用pdfplumber，它能保留坐标和字体信息，适合做规则匹配 - 别在循环里反复调
page.extract_text()，先缓存全部文本再正则扫一遍，效率高 5 倍以上 - 拆分后保存要用
PdfWriter，且必须显式调add_page()，不能直接写pages列表
import pdfplumber
with pdfplumber.open("book.pdf") as pdf:
texts = [p.extract_text() or "" for p in pdf.pages]
# 找到所有“Chapter ”开头的页索引
chapters = [i for i, t in enumerate(texts) if t.startswith("Chapter ")]
提取 PDF 里的矢量文本为啥复制出来全是乱码或空格？
PDF 文本不是线性存储的，而是由带坐标的 Tj / TJ 操作符拼出来的。字体嵌入方式、编码映射（如 WinAnsiEncoding）、甚至文字方向（竖排中文）都会让原始字节无法直译。
-
pdfplumber默认用layout=True，能还原阅读顺序，比PyPDF2的纯流式提取准得多 - 如果文本看着正常但复制粘贴错位，大概率是 PDF 用了自定义字体子集（subset），这时得开
use_text_flow=True强制重排 - 英文 PDF 中的连字（如
fi,fl）会被合成为一个 glyph，需用chars层级数据手动替换
with pdfplumber.open("doc.pdf") as pdf:
page = pdf.pages[0]
# 获取字符级数据，含 x/y/字体/大小
chars = page.chars
# 过滤掉极小字号（水印）或超宽间距（装饰线）
text = "".join(c["text"] for c in chars if c["size"] > 6)
怎么把 PDF 里内嵌的图片原样导出为 PNG/JPEG，不模糊不拉伸？
PDF 图片本质是对象流（XObject），可能是 JPEG 原生、CCITT 黑白压缩、或 Flate 压缩的 RGB 数据。直接转 PIL.Image 容易丢色域或解错压缩类型。
立即学习“Python免费学习笔记（深入）”；
- 先用
pdfplumber的page.images列出所有图片对象，注意src字段是原始二进制，不是路径 - 对
type == "jpeg"的，直接写入文件即可；对"png"或"other"，需检查filter字段（如/FlateDecode）再解压 - 导出尺寸不等于显示尺寸：PDF 用
matrix变换缩放，得用x0/y0/x1/y1计算实际像素宽高，否则图会糊
for img in page.images:
if img["src"]:
with open(f"img_{img['x0']:.0f}_{img['y0']:.0f}.png", "wb") as f:
f.write(img["src"])
PDF 的文本与图像混合结构决定了它没法靠一个库全搞定。你得根据目标切换工具链：合并拆分用 PyPDF2，内容分析用 pdfplumber，高压缩或扫描件才上 pdf2image + OCR。别指望一次读取就拿到“干净文本+高清图”，那是两个不同维度的问题。
