企业官网建设流程全解析

最近帮一位同事处理一批扫描版电子书，刚拿到手我就意识到这就是典型的“左右并排PDF”：一页纸里塞了两页书的内容，中间一道清晰的中缝线。用Python处理这种PDF拆分，本身不算复杂，但真正跑起来会发现一堆隐藏问题——分割线切到正文、封面单页被误拆、输出文件莫名变大、扫描件图片被拉伸。这篇文章就从我实际踩坑的角度出发，把“拆左右并排PDF”这件事讲透：它是什么场景、核心原理是什么、代码怎么写、遇到问题怎么排查。全程围绕PDF拆分这个主题，保证你看完能直接套用。

1. 先搞清楚你拿到的是不是“左右并排PDF”

1.1 三类最常见的来源

在动手写代码之前，先别急着想技术方案，得先确认文件形态。左右并排PDF通常来自这三类场景：

第一类是平板扫描仪扫整本翻开的书。把书摊开放在扫描面板上，一次扫下左右两页，输出的一页PDF里就有左右两个版面。这种文件在电子书爱好者、图书馆数字化存档里最常见。

第二类是杂志或双栏排版的论文。比如某些期刊的PDF页面是双栏排版，栏与栏之间有竖线分隔，虽然不像扫描书那样有个明显的“中缝”，但从阅读体验上讲，它也是“一页里并排放着两栏内容”。

第三类是打印排版时做过的拼版。有些人为了省纸，把两份A4内容拼在一个A3或更大的页面上，留作存档。这类文件拆分时最容易因为版面尺寸不规则而出问题。

判断办法很简单：打开PDF，看一页的宽度是不是接近高度的两倍。如果页面的宽高比大于1.5左右，基本可以断定是左右并排结构。

1.2 不拆的后果与拆开的收益

有人会说，左右并排就看呗，为什么要拆？真不是矫情。手机屏幕尺寸有限，全屏展示一页PDF的时候，左右两页会被缩得很小，字几乎看不清；放大以后又只能上下左右拖，非常痛苦。如果把这页从中间切开，每半页单独成一个PDF页，那么屏幕一页正好显示一页书的内容，字体大小也接近阅读舒适区，体验完全是两个级别。

还有一个场景是打印。你想把电子书打印成纸质版，结果原PDF是两页拼一页，直接打出来的纸张比例是横向的，字也小得没法看。拆分成单页后，每一页都是正常的竖版比例，打印清晰度高一个档次。

所以这个拆分的核心价值，就是让内容“重新回到能读、能打印、能整理的状态”。对经常处理扫描件的人来说，这是基础操作中的基础。

1.3 为什么选择Python路线而不是现成工具

市面上拆PDF的工具并不少，很多阅读器本身就支持“对开页”显示，甚至有的软件支持导出时自动拆页。但工具类的方案有两个痛点，一个是批量能力弱，处理一个目录下几十个文件你得手动一个个操作；二是可控性差，中缝偏移、封面单页过滤、左右页交换这些细节，大多数图形界面工具都不支持。

Python的优势在于，它可以把整个处理流程固化成脚本。无论是处理一个文件还是几千个文件，运行一次命令行就能全部完成，而且自定义能力极强，想调整分割位置、想加自动识别逻辑、想只处理某些页面，改几行代码就行。这也是为什么我遇到这类需求时第一反应就是写Python脚本而不是打开某个图形工具。

2. 开工前的两个决策：输出模式与依赖选型

2.1 先确定你的拆分输出模式

拆分左右并排PDF，输出模式有两种常见流派，用之前必须想清楚：

第一种叫“分册模式”，把所有左半页输出成一个PDF文件，所有右半页输出成另一个PDF文件。这种模式适合需要把书拆成上下册阅读，或者想按左页、右页批量重排的场景。缺点是输出之后的阅读顺序是“全左页再全右页”，需要在阅读器里配合书签跳转，体验并没有那么顺。

第二种叫“单文件翻倍模式”，按原页面顺序遍历，遇到一页就输出两页新页面。比如源PDF有100页，拆分后变成200页，前两页对应源第1页的左右两半，接下来两页对应源第2页的左右两半。这种模式最符合阅读习惯，拆完后直接单页翻着看，就像一本正常的书。

我个人推荐第二种。除非你有特殊整理需求，否则单文件翻倍模式是日常阅读场景的标准答案。不过代码层面我可以把两种都写出来，用参数切换，一句话的事。

2.2 轻量方案：pypdf的cropbox裁剪

如果你只是想快速拆分，不想折腾渲染和图像，pypdf的cropbox裁剪是最轻量的方案。它不重新渲染页面内容，只是修改PDF页面元数据里的裁剪框，告诉阅读器“显示这个区域即可”，所以速度极快，文件体积几乎不变。

from pypdf import PdfReader, PdfWriter reader = PdfReader("input.pdf") writer = PdfWriter() for page in reader.pages: w = float(page.mediabox.width) h = float(page.mediabox.height) mid = w / 2.0 for left in (True, False): new_page = page.copy() if left: new_page.cropbox = (0.0, 0.0, mid, h) else: new_page.cropbox = (mid, 0.0, w, h) writer.add_page(new_page) with open("output.pdf", "wb") as f: writer.write(f)

一个必须注意的点是，pypdf里cropbox的坐标原点是页面左下角，四个数字分别是左下角x、左下角y、右上角x、右上角y。所以左半页是“从0到中间”，右半页是“从中间到页面宽度”，高度保持整页高度。很多人第一次用容易把坐标写反，出现裁剪区域颠倒的现象，问题就出在这。

另一个坑是，同一页对象不能复用。直接给同一个page对象设置cropbox两次再add_page，两次添加的页面会因为共享对象而最终都显示成最后一次裁剪的状态。所以我每次先调用page.copy()生成独立副本，再分别设置裁剪框，这是必须的。

2.3 PyMuPDF vs pypdf，怎么选

pypdf方案虽然轻量，但也有先天不足。它只修改裁剪框，不真正生成内容，如果源PDF在裁剪边界附近有细密的矢量元素，某些阅读器渲染时可能会因为裁剪精度问题出现半线半字的情况。另外它不太适合做二阶操作，比如拆完还想统一旋转、调整页面尺寸、插入页眉页脚，这些对着裁剪框做就会很别扭。

而PyMuPDF（导入模块名是fitz）走的是另一条技术路线：它用show_pdf_page方法把源页面的某个区域“重新映射”到新的PDF页面上，相当于真正生成了一页新内容。这种做法的好处是可控性强、渲染逻辑清晰，既能处理裁剪边界，又能顺便做页面重排、旋转、缩放、图像提取之类的操作。

如果是生产环境追求速度和极致轻量，选pypdf；如果是要做精细处理、需要应对复杂版面，或者你希望脚本有更大扩展空间，选PyMuPDF。这篇文章的主体代码我用PyMuPDF来写，因为后面要讲的内容感知分割线、图片预览、单页混排识别，在PyMuPDF里实现起来顺手得多。

3. 用PyMuPDF实现可落地的拆分脚本

3.1 安装依赖和坐标基础

先装依赖，就一个库：

pip install pymupdf

PyMuPDF的导入名是fitz，习惯了就好。安装成功后先别急着写完整脚本，把坐标模型搞明白，这是整个拆分逻辑的地基。

在PyMuPDF里，页面对象page的rect属性表示页面的可见区域，它是一个矩形对象，构造参数是fitz.Rect(x0, y0, x1, y1)，其中(x0, y0)是矩形左上角坐标，(x1, y1)是右下角坐标。它和pypdf正好相反，坐标原点在左上角。对大多数不旋转的PDF页面来说，页面宽度就是rect.width，高度就是rect.height。

左右并排页面要切成两半，本质上就是构造两个裁剪区域：

• 左半区域：fitz.Rect(0, 0, width/2, height)
• 右半区域：fitz.Rect(width/2, 0, width, height)

这个裁剪区域会传给show_pdf_page方法，它会把源页面中这个矩形范围内的内容显示到目标页面上。用生活里的例子打比方，就像拿一张长方形照片，先用笔从中间画一条竖线，再用裁纸刀沿线切成左右两张。坐标模型理解清楚后，后面所有代码都围绕这个核心展开。

3.2 一键模式：拆成左右两个分册

先给分册模式的代码。前面说了，分册模式会生成left.pdf和right.pdf两个文件。

import fitz def split_into_two_docs(input_path, left_output="left.pdf", right_output="right.pdf"): src = fitz.open(input_path) left_doc = fitz.open() right_doc = fitz.open() for page_index in range(len(src)): page = src[page_index] w, h = page.rect.width, page.rect.height mid = w / 2.0 left_clip = fitz.Rect(0, 0, mid, h) right_clip = fitz.Rect(mid, 0, w, h) left_page = left_doc.new_page(width=mid, height=h) left_page.show_pdf_page(left_page.rect, src, page_index, clip=left_clip) right_page = right_doc.new_page(width=mid, height=h) right_page.show_pdf_page(right_page.rect, src, page_index, clip=right_clip) left_doc.save(left_output, garbage=3, deflate=True) right_doc.save(right_output, garbage=3, deflate=True) left_doc.close() right_doc.close() src.close()

代码里有两个细节我有必要解释一下。一个是新页面的尺寸我设置成mid乘以h，也就是源页面宽度的一半乘以源页面高度，这样裁剪区域和目标页面的宽高比完全一致，内容不会发生横向拉伸。另一个细节是save的时候加了garbage=3和deflate=True两个参数，garbage=3表示清理PDF里无用的对象，deflate=True是再压缩一遍流对象，这能有效降低输出文件的体积。不加这两个参数的话，部分扫描PDF拆完会大得离谱。

还有一个很容易忽略的问题：源PDF里可能存在页面尺寸不统一的情况，比如中间插了一页不同横向边距的扫描图。我的代码是从head逐页读取宽度高度，而不是用第一页的宽高套用所有页，这样每页的拆分比例各自独立，不会因为个别页面尺寸差异导致裁剪错位。

3.3 单文件翻倍模式：按页顺序生成新PDF

如果你用的是我推荐的阅读模式，那需要的是单文件翻倍模式。代码长这样：

def split_to_single_pdf(input_path, output_path): src = fitz.open(input_path) out = fitz.open() for page_index in range(len(src)): page = src[page_index] w, h = page.rect.width, page.rect.height mid = w / 2.0 # 先输出左半页，再输出右半页，顺序即阅读顺序 for clip in (fitz.Rect(0, 0, mid, h), fitz.Rect(mid, 0, w, h)): new_page = out.new_page(width=mid, height=h) new_page.show_pdf_page(new_page.rect, src, page_index, clip=clip) out.save(output_path, garbage=3, deflate=True) out.close() src.close()

这段代码的逻辑非常直白：外层循环遍历源PDF每一页，内层循环对每一页做左右两次裁剪，每次裁剪创建一个新的输出页面并按顺序加入out文档。跑完之后你用阅读器打开，会发现页数翻倍，阅读顺序完全连贯。

这个方法使用show_pdf_page而不是把页面渲染成图片再插入，重要的优势在于，如果源PDF页面是扫描图片，它不会经历重新编码的损失；如果源PDF里有文字层，文字也能保持可选择状态，OCR过的文件拆完依然可以复制检索，这对后续要再处理的人很重要。

批量处理多个文件的时候，套一个pathlib循环就行：

from pathlib import Path src_dir = Path("input_pdfs") dst_dir = Path("output_pdfs") dst_dir.mkdir(exist_ok=True) for pdf_path in src_dir.glob("*.pdf"): print(f"正在处理: {pdf_path.name}") split_to_single_pdf(str(pdf_path), str(dst_dir / f"{pdf_path.stem}_split.pdf"))

3.4 智能识别单页与双页混排

很多扫描书的第一页是封面，只有单页；后面才是左右并排的双页内容。如果直接套用上面的拆分逻辑，封面也会被从中间切开，出来两页都是半个封面，这显然不对。

处理方式也很直接，加一个宽高比判断。左右并排的页面宽高比通常在1.5以上，而正常的单页书页宽高比大多在0.6到0.8之间。所以遇到宽高比大于某个阈值（比如1.5）的页面就执行拆分，否则原样复制到输出文档。

def smart_split_to_single_pdf(input_path, output_path, ratio_threshold=1.5): src = fitz.open(input_path) out = fitz.open() for page_index in range(len(src)): page = src[page_index] w, h = page.rect.width, page.rect.height if w / h >= ratio_threshold: mid = w / 2.0 for clip in (fitz.Rect(0, 0, mid, h), fitz.Rect(mid, 0, w, h)): new_page = out.new_page(width=mid, height=h) new_page.show_pdf_page(new_page.rect, src, page_index, clip=clip) else: # 单页原样复制 out.insert_pdf(src, from_page=page_index, to_page=page_index) out.save(output_path, garbage=3, deflate=True) out.close() src.close()

这里要注意insert_pdf的用法，它可以从源文档中复制指定页面到目标文档，from_page和to_page指向源文档的页索引。这样混合模式下的输出页序完全正确：封面单页保持原样，内部双页拆成两页，总页数正好等于单页数加两倍的双页数。

阈值1.5不是一成不变的，你可以根据实际文件的版面调整。有些书页宽高比在1.7甚至1.8，有些比较宽的杂志可能到1.3就已经是双栏了，多试几页，找到合适阈值再批量跑。

3.5 动手前先输出预览图

拆分脚本写好了，但别急着对整个文件执行。我每次处理新类型文件之前，都有一个习惯：先输出一张预览图，确认版面结构和分割位置。

PyMuPDF可以很方便地把页面指定区域渲染成PNG：

import fitz src = fitz.open("input.pdf") page = src[0] w, h = page.rect.width, page.rect.height page.get_pixmap(dpi=72).save("preview_full.png") page.get_pixmap(clip=fitz.Rect(0, 0, w / 2, h), dpi=72).save("preview_left.png") page.get_pixmap(clip=fitz.Rect(w / 2, 0, w, h), dpi=72).save("preview_right.png")

dpi参数控制渲染分辨率，72dpi已经足够在电脑上肉眼观察版面。把preview_full和preview_left、preview_right放在一起对比，一眼就能看出分割线位置是否合适、左右页是否有文字被切断、中缝阴影是否影响阅读。这个步骤成本极低，但能帮你避免全量拆分后才发现所有页都有问题的悲剧。

4. 内容感知分割线：让拆分线不切中文字

4.1 为什么要做内容感知

我前面写的所有脚本，默认分割线都是页面的几何中线，也就是宽度的50%。但对于某些扫描文件，直接切中线并不完美，原因有几种：

第一种是边距不均衡。扫描师傅放书时没对齐，左右两页离页面边缘的空白不一样，脏边距两侧不对称，直接切中线会让一边看起来特别挤，另一边特别空。

第二种是中缝区域有文字。有些书装订线附近贴着内文，如果精确按50%切割，文字可能被拦腰斩断。虽然扫描时中缝通常会有阴影和拱形变形，但也不是绝对的。

第三种是页面里嵌入了整页图像但本身带有很宽的页眉边框，双页内容其实只占页面中间的一部分。这种情况下按宽度比例切，两个半页可能各自带着大块空白。

所以遇到这些情况，就需要让分割线跟着内容走，而不是永远固定在几何中线上。

4.2 实现思路与代码

内容感知的基本思路是：先分析页面上的文本块或图像块位置，找到左右两块内容之间的“空隙”，把这个空隙的中心作为分割线。

PyMuPDF提供了get_text("dict")方法，可以拿到页面上所有文本块的包围盒。每个文本块的bbox是一个四元组(x0, y0, x1, y1)，分别表示块的左上角和右下角坐标。我用每个文本块的x中心坐标来表示这个文本块在水平方向上的位置，然后把所有x中心坐标排序，找出相邻坐标之间间隔最大的那一对，这个间隔就是左右两块内容之间的中缝区域。

def auto_split_line(page): """返回自动检测到的分割线x坐标""" blocks = page.get_text("dict")["blocks"] centers = [] for block in blocks: if block["type"] == 0: # 只考虑文字块 x0, y0, x1, y1 = block["bbox"] centers.append((x0 + x1) / 2.0) if len(centers) < 2: return page.rect.width / 2.0 # 少于两个文本块，退回中线 centers.sort() max_gap = 0.0 split_x = page.rect.width / 2.0 for i in range(len(centers) - 1): gap = centers[i + 1] - centers[i] if gap > max_gap: max_gap = gap split_x = (centers[i] + centers[i + 1]) / 2.0 return split_x

这个函数返回分割线的x坐标，你把它替换掉固定mid，就能让分割线跟随内容移动。

用生活场景举个例子：你在手机屏幕上用两根手指放大地图看两个相邻建筑，两栋建筑之间有一块完全没有建筑的马路空地，人的直觉会把“马路中间”当作分界线。我的算法做的就是同样的事情，找到两块内容之间“最空的区域”，然后把切割线放在它的正中间，这样两边都能保留完整内容。

4.3 什么时候该相信自动分割线

内容感知的自动分割线不是万能的，我在实际使用中总结出三条经验：

第一，只在有文字层的PDF上用。扫描件在get_text("dict")里拿不到文本块，返回的就是空列表，算法会自动退回到几何中线。这种文件如果需要内容感知，得先跑OCR给PDF加文字层，那是另一套流程了。

第二，页面上存在跨中线的页眉页脚时，自动分割会失灵。因为页眉的文字块宽度可能横跨左右两页，它的中心会落在中线附近，干扰相邻文本块的中心排序。解决办法是先过滤掉顶部和底部的块，比如只统计y坐标在页面高度20%到80%之间的文本块。

第三，文本量极端不平衡时不可靠。比如左页是满满一整页正文，右页只有一个标题和几行摘要，两块的x中心距离可能很小，最大间隙就找不准。这种场景我建议还是手动指定分割线偏移量，不依赖自动判断。

所以我的建议是，内容感知作为辅助手段，跑完一定要用预览图验证第一页和最后一页的效果。固定中线省事，自动分割精致，但别把它当魔法。

5. 常见问题与避坑实录

5.1 拆分后某一侧出现黑边或白边

这个问题看着像拆错了，其实很多时候是源页面两侧的扫描白边太宽。比如扫描时纸没压平，页面左右都有一条几毫米宽的黑色阴影或白色边框。直接按页面宽度的50%切，左半页可能带着一条右边阴影，右半页可能带着一条左边阴影。

解决办法有两个。一个是先对源页面做一次轻微的边缘裁剪，把两侧多余的白边或阴影裁掉，再执行拆分。另一个更简单的办法是调整中线的偏移量，比如设定一次拆分的分割点不在50%，而是48%或52%，用肉眼预览找到最舒服的值。这种微调在代码里加一个参数就行，很久不用改动主逻辑。

我还有一个小技巧，就是在预览时故意把两个半页的PNG保存下来，用看图软件左右对比，看黑边是落在左页右侧还是右页左侧，这样能快速确定分割线往哪个方向偏。

5.2 中缝有文字被切断

字体偏大的书或者排版紧凑的杂志，中缝附近经常有文字。遇到这种情况直接把分割线往边上挪几毫米是不够的，因为中缝文字可能分布在左右两侧。更靠谱的方案是把分割线定位在两个字块之间的空隙上，用4.2里的内容感知函数。

如果你不想用内容感知，也可以用“重叠切法”：左右两页的分割线往中缝两边各让开一点，让左右两页在中缝区域有少量重叠内容。比如左边页面的裁剪范围是0到mid+5，右边页面从mid-5到w。这样虽然中缝区域的字会在左右页各出现一次，但至少不会被切断。我只建议在确实切到完整文字时用这招，因为重叠内容会稍微影响阅读连贯性。

5.3 页面带旋转导致区域错位

有些扫描件自带旋转信息，页面在PDF里存的是横向，但显示时要旋转90度或270度。如果页面本身有rotation属性，那么page.rect的宽高已经是旋转后的显示宽高，但裁剪坐标在某些版本里会有细微偏差。最保险的做法是在拆分之前先把所有页面的旋转清零。

PyMuPDF里可以这样：

src = fitz.open("input.pdf") for page in src: if page.rotation != 0: page.set_rotation(0)

设置旋转为0之后，页面会按照原始坐标重新解释，后续对rect和clip的计算才不会因为旋转而错位。这一步做完再跑拆分脚本，能避免一批很隐蔽的“某几页切偏”的问题。

5.4 大文件拆分慢、内存暴涨

几百页的高清扫描PDF能轻松占掉几百MB内存，PyMuPDF读取时会一次性载入整个文档索引，遍历加渲染时内存峰值会更高。

我常用的应对方案是分块处理外加及时关闭文档对象。如果用的是pypdf的cropbox方案，内存占用本身很小，基本不用担心。如果用的是PyMuPDF的show_pdf_page方案，可以改成按页处理、边拆边存，然后用gc.collect()手动触发一次垃圾回收。还有一种比较实用的做法是把大任务拆成多个小任务，比如每次只处理前50页，输出中间文件，最后再用另一个脚本把这些中间文件合并。虽然代码量多一点，但稳定性高很多。

5.5 输出PDF体积异常增大

拆分后的输出文件比源文件还大，这在show_pdf_page方案里并不少见。原因在于每个新页面都嵌入了源页面的一个区域作为Form XObject，如果源PDF结构很差，重复对象就会被多次存储。

缓解方法就是我前面代码里那两行save参数：garbage=3和deflate=True。如果还是大，那就降低一下输出页面的质量，或者改用pypdf的cropbox方案试试。cropbox方案因为只是修改裁剪框，几乎不会增加文件体积，很多场景下反而是更好的选择。

另外，拆分完记得检查页数。源文件100页，拆分后应该是200页。如果页数不对，多半是代码里对单页的insert_pdf放错了位置，或者循环里少了页面索引递增，这类问题通过打印处理日志很快就能定位。

说到底，PDF拆分不是难事，但细节非常多。我个人建议的处理流程是：先用预览脚本看版面，确认是固定中线还是内容感知；跑一个两页的样例，验证输出效果；确认无误后再全量执行。这样一步一验证，既不会浪费时间，也不会批量处理到一半才发现方案选择错了。我拆过那么多扫描书，这是最稳的路子。