批量合并PDF：实测三步排序去重

上个月处理公司年度报告，手头有38个PDF文件，命名杂乱且有几个重复版本。我一个个核对顺序，浪费了整个下午。后来我实测出一套三步法，只用免费工具就搞定了顺序和去重问题。

第一步：预处理文件命名

我先把所有PDF放到同一文件夹，用批量重命名工具（比如PowerToys或Advanced Renamer）加上三位数序号前缀。例如“001_第一章.pdf”。这一步确保文件在资源管理器里按数字排序，合并后自然不乱。实测发现，如果原始文件名含有日期（如“2025-03-21_报告”），直接利用日期排序更省事，但要留意时间戳重复导致的错位。

第二步：用PDFtk或PyPDF2合并

我习惯用PDFtk Server命令行：在文件夹里打开终端，输入“pdftk *.pdf cat output 合并版.pdf”。它按文件名顺序合并。若要去重，我提前用duplicate文件查找器（如dupeGuru）扫描该文件夹，删除完全重复的PDF——注意只删内容完全一样的，避免删掉只是页码不同的版本。实测这个环节最易踩坑：千万记得备份原始文件，我吃了亏才长记性。

第三步：验证顺序与去重结果

合并后我用PDF阅读器打开，快速翻页检查关键位置。若发现页面错乱，回头检查文件名排序逻辑。然后我用文本提取工具（如pdfminer）提取所有页面文字，用脚本比对重复段落。实测后，整个流程从40分钟压缩到了5分钟。

问：合并后顺序不对，如何快速调整？

答：我试过最有效的方法是在第一步就按最终想要的顺序重命名文件。如果合并后才发现，只能拆开用PDF Arranger（免费）手动拖拽排序，但耗时较长。所以建议在第一阶段用零填充数字确保排序正确，例如“001、002”而非“1、2”。

问：用PyPDF2脚本合并时如何排除重复文件？

答：我实测可以在Python脚本中先计算每个PDF文件的MD5哈希，存入列表；遍历时如果哈希值已存在，则跳过该文件。示例代码片段：

import hashlib, PyPDF2, os
seens = set()
for f in sorted(os.listdir(‘.’)):
if not f.endswith(‘.pdf’): continue
h = hashlib.md5(open(f,’rb’).read()).hexdigest()
if h in seens: continue
seens.add(h)
# 合并逻辑

问：合并大文件时程序卡死怎么办？

答：我遇到过500MB以上PDF合并时内存耗尽。建议用PyPDF2的分组合并策略：先合并小批次（如每10个），再用这些临时文件合并最终版本。实测这样内存占用降低70%，而且能避免崩溃。