python的PyPDF2包读取pdf文件页面尺寸的异常问题：A4页面读成A3尺寸，如何解决？(开发工具-pycharm)

Question

代码如下，经查看页面尺寸，左下角显示的是A4尺寸

但用python的PyPDF2包读取时，发现奇怪现象。这些A4页面均读取为A3尺寸。以下是将两A4页面（其中一页会读取为A3）合并后，读取的情况

import PyPDF2


def GetPdfsize(filepath):
    """
    根据传入的pdf文件路径，返回该文件的尺寸（长和宽），较小的值在左。注意要判断只接收pdf文件
    :param filepath:
    :return: 列表形式返回文件内页面尺寸，每一页尺寸一个元组，是列表中的一项。
    """
    list_size = []
    pdf = PyPDF2.PdfReader(filepath)
    for page in pdf.pages:

        w = float(page.mediabox.width) * 0.352
        h = float(page.mediabox.height) * 0.352
        # 一律设置尺寸两数值的左边为较小值。
        if w > h:
            w, h = h, w
        list_size.append((round(w), round(h)))
    print(list_size)  # [(315, 446)]
    return list_size


# 打开PDF文件
with open(r"C:\Users\xcxc\Desktop\A3A4.pdf", 'rb') as file:
    reader = PyPDF2.PdfReader(file)

    # 遍历每一页
    for page in reader.pages:
        # 获取页面的宽度和高度
        width, height = page.mediabox.width, page.mediabox.height
        print(f"页面尺寸: 宽度 = {width}, 高度 = {height}")  # Page Size: Width = 1267.41, Height = 896.203

GetPdfsize(r"C:\Users\xcxc\Desktop\A3A4.pdf")

'''
页面尺寸: 宽度 = 1267.41, 高度 = 896.203
页面尺寸: 宽度 = 595.276, 高度 = 841.89
[(315, 446), (210, 296)]
'''

Answer 1

引自免费微信小程序：皆我百晓生

根据您提供的信息，看起来可能是由于PDF元数据中的媒体盒（MediaBox）尺寸被错误地设置为了A3尺寸。媒体盒定义了PDF页面的边界，而实际内容可能小于这个区域。在这种情况下，我们可以尝试从PDF的其他部分获取正确的页面尺寸，例如 CropBox 或者 ArtBox。

下面是一个改进的 GetPdfsize 函数，它首先尝试从 CropBox 获得尺寸，如果 CropBox 不可用，则使用 MediaBox 的小边作为近似值。这样可以更准确地反映页面的实际内容尺寸。

import PyPDF2

def GetPdfsize(filepath):
    """
    根据传入的pdf文件路径，返回该文件的尺寸（长和宽），较小的值在左。注意要判断只接收pdf文件
    :param filepath:
    :return: 列表形式返回文件内页面尺寸，每一页尺寸一个元组，是列表中的一项。
    """
    list_size = []
    pdf = PyPDF2.PdfReader(filepath)
    for page in pdf.pages:

        # 尝试从 CropBox 获取尺寸，如果不可用则使用 MediaBox
        try:
            crop_box_width, crop_box_height = page.cropbox.width, page.cropbox.height
        except AttributeError:
            crop_box_width, crop_box_height = None, None

        mediabox_width, mediabox_height = page.mediabox.width, page.mediabox.height

        # 使用 CropBox 如果可用，否则使用 MediaBox 的小边
        width = min(mediabox_width, crop_box_width or mediabox_width)
        height = min(mediabox_height, crop_box_height or mediabox_height)

        # 一律设置尺寸两数值的左边为较小值。
        if width > height:
            width, height = height, width
        list_size.append((round(width), round(height)))

    print(list_size)
    return list_size

# 打开PDF文件
with open(r"C:\Users\xcxc\Desktop\A3A4.pdf", 'rb') as file:
    reader = PyPDF2.PdfReader(file)

    # 遍历每一页
    for page in reader.pages:
        # 获取页面的宽度和高度
        width, height = page.mediabox.width, page.mediabox.height
        print(f"页面尺寸: 宽度 = {width}, 高度 = {height}")

GetPdfsize(r"C:\Users\xcxc\Desktop\A3A4.pdf")

这段代码应该能更准确地获取页面的实际尺寸。如果 CropBox 不存在，它会使用 MediaBox 的小边作为近似值，这通常比完全依赖 MediaBox 更准确。然而，这种方法并不完美，因为有些 PDF 文件可能会有多个 Box，每个 Box 可能对应不同的裁剪区域。在这种情况下，可能需要进一步分析 PDF 元数据来找到最合适的尺寸。