PDF 处理入门：合并、拆分与批量操作的安全边界

PDF 看着像文档，其实是一张"对象图"。理解它的结构，才知道合并/拆分/批量到底能做什么、不能做什么。

一、PDF 到底是什么

PDF 不是"一行行文字按顺序排"，而是一组互相引用的对象（页面、字体、图片、内容流），外加一个交叉引用表。正因为是图结构，PDF 能精确还原排版，但也意味着"操作 PDF"本质是"改写对象图"——比纯文本处理脆弱得多。

二、合并与拆分的原理

合并：把多个 PDF 的对象图拼到一起，重新编排页码和书签。坑在于字体/资源冲突——两个文件用了同名但不同定义的字体，拼完可能某几页字变了。正规库会做资源重映射规避。

拆分：按页码范围或书签，抽取子集对象生成新 PDF。坑在于拆出来的页面依赖原文件的共享资源（字体、图片），如果只抽页面不带上依赖，新文件可能打不开或显示异常。

三、四个真实风险点

风险一：加密 PDF 动不了。

带权限密码（禁止编辑/复制）的 PDF，没有密码根本无法合并拆分。别试图用"破解工具"绕过——既可能失败，也可能触碰合规红线。老老实实找持有密码的人。

风险二：扫描版 PDF 里没有"文字"。

很多合同、票据扫描后是"一页一张图"，PDF 内部根本没有可提取的文本。你用"提取文字"功能会得到空结果——不是工具坏了，是图里压根没文字层。要文字就得先 OCR，而 OCR 准确率受清晰度影响。

风险三：大文件吃内存。

几百页、带高清图的 PDF，处理时一次性读进内存可能直接 OOM。批量处理大文件要选流式/逐页处理的工具，别一股脑全加载。

风险四：操作破坏了原文件。

任何合并/拆分都应该生成新文件、不动原文件。我见过有人用"原地覆盖"的工具，一次参数错把 200 页拆成了 1 页。铁律：先备份，或用"输出到新文件"的工具。

四、批量操作的安全边界

• 顺序要对：按书名/日期/序号合并，先确认排序语义（字符序还是自然序），否则顺序错乱；
• 书签/目录：合并后建议补一个总目录，否则几百页找不到北；
• 页码范围：拆分前用"预览前 3 页"验证范围表达式没写错；
• 校验：处理完比对页数和文件大小，异常立刻重来。

五、工具层面

命令行党用 pdfunite / qpdf / PyPDF2 都能做，可控性强。零散的合并/拆分/页面提取，我常用 7aa7工具箱 的 PDF 处理模块：输出到新文件、不动原文件、支持页码范围预览，符合上面几条安全边界。工具不止它一家，关键是选输出新文件、可预览范围、处理前提示备份的。

六、小结

• PDF 是对象图，不是文本流，操作本质是改写图；
• 加密的别硬破，扫描版没文字需 OCR；
• 大文件防 OOM，用流式处理；
• 永远输出新文件、先备份、后校验。

你处理 PDF 踩过最离谱的坑是什么？是合并后字变了，还是拆分拆没了？评论区聊聊。