使用PyMuPDF拆分左右并排PDF：原理、代码与实战避坑

前几天帮一位做课程资料整理的朋友处理扫描版教材，打开PDF一看，每一页里都挤着左右两页书的内容。横向排版、双栏混排，平板和手机上看字小得费劲，想打印又等于在烧纸。折腾了pypdf、pdfplumber、PyMuPDF几个库之后，我用Python写了几十行脚本，把600多页的双栏PDF拆成了1200多页单栏PDF，阅读体验直接翻倍。这篇就把这个“PDF拆分左右并排页面”的完整方案从头到尾说清楚，包括原理、代码、还有那些文档里不会写的坑。

1. 左右并排PDF的产生原因与拆分的三种刚需场景

1.1 你手里的PDF为什么会“左右并排”

先说产生原因。绝大多数左右并排PDF不是设计者故意做的双栏排版，而是扫描和导出阶段产生的物理布局。

最常见的是双页扫描。书本扫描仪为了效率，常常把翻开的两页书并排放在一个画幅里，导出PDF时没有做自动切分，就变成“一页PDF = 左右两个书页”。这类PDF通常是横向页面，左右内容各自独立，中间往往还有书脊阴影。

第二种常见来源是PPT或讲义的横向双栏导出。有些人做课件时设置成宽屏16:9，然后把两页内容横向拼在一页里打印保存，电脑上看还行，换到手机或在阅读器上放大就非常痛苦。

第三种是外文文献、会议海报、工程图纸的排版习惯。双栏学术论文本身就要求左右栏分开阅读，扫描成PDF后如果不拆，引用和批注都很难做。

这三种场景的共同特征是：页面本身是完整的PDF，但内容逻辑上是两个独立单元。拆分的目标就是把一个逻辑分页还原成两个物理页面。

1.2 不拆会有什么麻烦

不拆的话，问题不只是“字小”。

• 阅读字号损失：原页面宽如果是A4横向，左右两栏各占一半，实际阅读时能显示的文字量只有完整页面的一半，放大后翻页频繁，眼睛来回扫，效率极低。
• 打印浪费：双栏页面直接打印会占据横向空间，打印出来后文字被缩得很小，或者需要旋转后打印，普通家用打印机不友好。
• 标注和检索失真：PDF阅读器的高亮、批注都是基于矩形坐标的。双栏页面里你只想高亮左栏某一行，工具却会把右侧栏同高度的区域一起框进去，选中范围永远多一块。
• OCR后处理麻烦：如果后续要做OCR识别或文本提取，左右栏文字会交错读取，段落顺序完全错乱。

我自己遇到过最尴尬的情况：某次会议材料是双栏PDF，用文字提取工具导出纯文本后，左右栏内容混在一起，段落顺序像洗过牌，整理了一下午才归位。所以后来只要看到左右并排PDF，第一反应就是先拆分再处理。

2. 选型对比：PyMuPDF的矩形裁剪能力凭什么最合适

2.1 主流Python PDF库的分裂能力对比

我知道很多人第一反应是用pypdf，或者干脆把PDF转成图片再用OpenCV切。这些路都能走通，但体验差距很大。我列个对比表，这是我实际跑过之后的结论：

实践结论：拆PDF页面这种操作，最核心的诉求是“物理切分，但不要重新渲染”。PyMuPDF的show_pdf_page接口可以直接把源页面某个矩形区域“引用”到新页面，内部保留PDF原生内容流，拆出来的单页文字仍然可以搜索、选择、复制。这一点是转图片再拼接的方案完全做不到的。

2.2 PyMuPDF的坐标与矩形裁剪原理

PyMuPDF（内部模块名fitz）把每个PDF页面看作一个坐标系。原点在页面左上角，x轴向右延伸，y轴向下延伸，单位是“点”（1点 = 1/72英寸）。页面所有内容的内容边界都可以用page.rect拿到，它是一个fitz.Rect对象，有x0, y0, x1, y1四个坐标，分别是矩形左上角x、左上角y、右下角x、右下角y。

左右并排页面的拆分逻辑非常简单：假设页面宽度为width，那么左侧半页的矩形是(0, 0, width/2, height)，右侧半页的矩形是(width/2, 0, width, height)。

但这里有一个关键区别，新手很容易掉坑：

• page.set_cropbox(rect)是修改当前页面的可显示区域。它不会创建新页面，只是把原页面的“取景框”改小。如果直接对源文档做这个操作，源页面本身的内容还在，只是显示区域变了，保存后原页面信息被改变，后续操作容易混乱。
• new_page.show_pdf_page(dest_rect, src_doc, src_page_number, clip=src_rect)则是把源页面某个矩形区域的内容绘制到新页面上。clip参数指定从源页面取哪一块，dest_rect指定放到新页面哪个位置。新页面是独立存在的，源文档完全不受影响，而且内容流是原生引用，不是截屏图片。

我强烈建议用show_pdf_page而不是set_cropbox。原因很简单：拆分后源文件往往还要保留原始版本，而且set_cropbox在页面旋转处理不当时会触发很多怪异行为，show_pdf_page配合clip参数反而更可控。

3. 用show_pdf_page实现左右半区拆分的完整代码

3.1 环境准备与依赖安装

环境方面只需要一个库：

pip install PyMuPDF

导入时注意，PyMuPDF的顶层模块名是fitz，不是pymupdf。虽然新版也提供了import pymupdf的别名，但我习惯用fitz，历史兼容性最好。

import fitz

验证版本：

print(fitz.version)

实测下来PyMuPDF的版本差异对show_pdf_page的影响很小，我用过1.18到1.24的版本，这个接口的行为基本一致，升级依赖不会出幺蛾子。

3.2 固定中线拆分的基础版本

先给一个最直接、能跑的版本。它不处理空白页，不考虑歪斜，就是把每个源页面按宽度一半切成左右两个新页面，交替写入输出文档。

import fitz import pathlib def split_pdf_by_midline(src_path, out_dir): src_path = pathlib.Path(src_path) out_dir = pathlib.Path(out_dir) out_dir.mkdir(parents=True, exist_ok=True) src_doc = fitz.open(src_path) out_doc = fitz.open() for pno in range(len(src_doc)): page = src_doc[pno] rect = page.rect # 如果页面有旋转角，先归零，避免坐标判断错乱 if page.rotation != 0: page.set_rotation(0) rect = page.rect half = rect.width / 2 left_rect = fitz.Rect(0, 0, half, rect.height) right_rect = fitz.Rect(half, 0, rect.width, rect.height) # 先左后右，保持阅读顺序 for clip_rect in (left_rect, right_rect): new_page = out_doc.new_page(width=clip_rect.width, height=clip_rect.height) new_page.show_pdf_page(new_page.rect, src_doc, pno, clip=clip_rect) out_path = out_dir / f"{src_path.stem}_split.pdf" out_doc.save(out_path, deflate=True) out_doc.close() src_doc.close() print(f"拆分完成: {out_path}，页数 {len(fitz.open(out_path))}") if __name__ == "__main__": split_pdf_by_midline("input.pdf", "output")

这个脚本有几个细节值得解释：

• page.set_rotation(0)为什么放在前面？因为有些扫描件自带旋转角，比如页面源尺寸是竖向，但被旋转了90度，直接取page.rect会得到旋转后的坐标，左右中线就会对不上。先把旋转归零，rect才会反映真实的可视方向。
• new_page的宽度设置为clip_rect.width，也就是原页面宽度的一半。这样拆分后的单页比例接近标准A4纵向，阅读器打开后就是正常的单页模式。
• out_doc.save(path, deflate=True)开启流压缩，输出文件体积会更小一点，尤其是扫描件。

3.3 识别并跳过空白半页：处理扫描件的真实状况

上面这个基础版本会假定每个源页面左右两半都有内容。但扫描书时有一个非常常见的情况：一本书最后一页在左侧，右侧是空白页；或者封面封底只有单面内容。如果机械地把空白半页也拆出来，输出文档会混进去一页纯白纸，打印和翻页都很烦。

判断半页是否为空，有两种思路：

1. 文本层判断：page.get_text()能提取文字，如果某个矩形区域没有文本，就认为是空白。但这个方法对扫描图版PDF无效，因为它们没有文字层。
2. 像素渲染判断：把特定区域渲染成低分辨率位图，统计灰度方差。纯白或纯黑背景的方差非常小，有内容的区域方差明显大。

我写过这样一个实用的检测函数：

import statistics def is_blank_clip(src_doc, pno, clip_rect, dpi=40, std_threshold=6.0): """ 渲染clip_rect区域并计算灰度标准差，低于阈值视为空白。 dpi调小可以加快检测速度，对空白判断影响不大。 """ # Matrix(dpi/72, dpi/72) 等价于把渲染分辨率设为 dpi pix = src_doc[pno].get_pixmap( matrix=fitz.Matrix(dpi / 72, dpi / 72), clip=clip_rect ) samples = pix.samples # samples 是 bytes，每个字节是一个颜色分量 std = statistics.pstdev(samples) return std < std_threshold

把这个函数插进拆分循环里：

for pno in range(len(src_doc)): page = src_doc[pno] if page.rotation != 0: page.set_rotation(0) rect = page.rect half = rect.width / 2 left_rect = fitz.Rect(0, 0, half, rect.height) right_rect = fitz.Rect(half, 0, rect.width, rect.height) for clip_rect in (left_rect, right_rect): if is_blank_clip(src_doc, pno, clip_rect): continue new_page = out_doc.new_page(width=clip_rect.width, height=clip_rect.height) new_page.show_pdf_page(new_page.rect, src_doc, pno, clip=clip_rect)

注意，statistics.pstdev在纯Python下遍历大bytes对象会有点慢，但对半页区域来说，40dpi大概只有十几万字节，几百页循环下来也没有明显卡顿。如果你处理的是超大扫描书，还可以用pix.samples配合numpy：

import numpy as np std = float(np.frombuffer(pix.samples, dtype=np.uint8).std())

3.4 输出文件命名、目录组织与页面验证

实际批量处理时，我习惯每个输入PDF对应一个独立输出目录，目录名沿用源文件名，避免几十个文件堆在一起互相覆盖。

out_dir = pathlib.Path("split_results") / src_path.stem out_dir.mkdir(parents=True, exist_ok=True) out_path = out_dir / f"{src_path.stem}_单页.pdf"

输出之后建议做一次快速验证，至少统计页数、检查前几页能否正常渲染：

def quick_verify(pdf_path, expected_min_pages): doc = fitz.open(pdf_path) if len(doc) < expected_min_pages: print(f"警告: 输出页数偏少，只有{len(doc)}页") # 渲染第一页，确保可读 doc[0].get_pixmap(dpi=72) print(f"验证通过: {pdf_path} 共 {len(doc)} 页") doc.close()

这一步别省。尤其批量处理大量文件时，很多问题（比如某些源页面损坏）只有渲染才会暴露，页数统计只能证明“文件存在”，不能证明内容正常。

4. 拆分中遇到的分页、空白、歪斜和出血这些问题

4.1 扫描件歪斜和旋转：先摆正再切

实际扫描件不总是四平八稳。有的页面会有轻微旋转角，有的页面因为扫描仪自动纠偏失败，文字整体斜了个两三度。这种情况如果直接按物理中线切，结果会怎样？

轻微歪斜下，左右半页仍然能用，只是中缝附近的文字可能被切掉一点点，或者文字行在页面边缘处不水平。对于阅读类需求可以忍，但对于要转成Word或做OCR的后处理来说，歪斜页面切出来的效果不够好。

处理歪斜的常规思路是先把整个PDF页面渲染成图片，用OpenCV做倾角检测和旋转校正，再重新组合成PDF。但这会丢失文字层，代价很大，我不太建议在拆分阶段做。一个更稳妥的做法是：

1. 先看源PDF页面是否本身带旋转属性，用page.rotation判断，归零处理；
2. 歪斜严重的页面试着用图像预处理先校正，再走拆分流程；
3. 歪斜在3度以内的扫描件，直接拆问题不大，视觉上可以接受。

我真实项目里遇到的多是第三种情况。扫描仪通常有自动纠偏，歪斜严重的反而是手机拍照生成的PDF，那种页面往往还有边框，直接用视觉裁剪更合适，而不是单纯按物理中线拆分。

4.2 中缝装订线阴影与边缘出血：给切割线加一点余量

双页扫描PDF的左右半页之间，几乎必然有一条书脊阴影或黑白交界线。如果切割线正好压在阴影正中，可能把左页的右侧文字和右页的左侧文字都削掉一点。解决方案是给中线加偏移余量，让左半页稍微多包含一点中线右侧的区域，右半页稍微多包含一点中线左侧的区域。

mid_gutter = 8 # 单位：点。约3mm左右，具体扫描件可以调大调小 left_rect = fitz.Rect(0, 0, half + mid_gutter, rect.height) right_rect = fitz.Rect(half - mid_gutter, 0, rect.width, rect.height)

注意，左右两半分到的中缝区域是重叠的，这没问题。因为我们拆分生成的是两个独立PDF文件，重叠只会让两侧都更完整，不会产生视觉冲突。如果最后你要把左右半页重新合并成一个连续文档，那重叠区域可能会让相邻两页内容重复，不过那是另一个场景，先不展开。

根据我的经验，扫描书籍的阴影宽度通常在5到15点之间。你可以在拆分前先用阅读器放大到中线位置肉眼看一下，估个数值，再写死进脚本。

4.3 页面尺寸不一致的处理

有些PDF前面几页是封面，后面是正文，封面和正文页面宽度都不一样。按“宽度一半”来切，如果一页特别宽一页特别窄，输出的单页尺寸就会忽大忽小。

处理办法是拆分前先检查整个文档的页面尺寸分布：

sizes = set() for page in src_doc: sizes.add((round(page.rect.width, 1), round(page.rect.height, 1))) print(sizes)

如果只有一种尺寸，直接跑；如果出现多种尺寸，最好分组处理：按尺寸分组，分别拆，最后再合并输出。简单粗暴地按第一页尺寸切，会让小尺寸页面被放大或产生大量空白边。

4.4 旋转页面的方向陷阱

这是最容易踩但看起来最不明显的坑。有些扫描PDF的页面rect宽度大于高度，看起来是横向页面，但页面内部实际上是一个纵向排版被旋转了90度。用page.get_text()提取坐标时，你会发现文字的y方向和视觉方向完全不同。

不处理旋转直接拆，得到的结果是：左右两半物理上切开了，但每半页里的文字是横躺的。

所以我在所有正式版本的拆分脚本里都把旋转检测放最前：

if page.rotation != 0: page.set_rotation(0)

page.rotation会直接返回0、90、180或270。执行set_rotation(0)后，page.rect会更新为旋转后的尺寸，切割方向自然就对了。不过提醒一句：set_rotation会修改源文档的内存状态，如果你之后还要用源文档做别的操作，最好先src_doc.toreader()或者用副本。

4.5 拆分后的文件大小异常

有几次拆分后我注意到输出文件比源文件大一倍甚至更多。原因通常是show_pdf_page把同一个源页面的两个区域分别引用到两个新页面时，某些PDF结构会产生重复的对象，尤其是图片类内容。虽然PyMuPDF的deflate=True能压缩一部分，但大图片还是会被重复存储。

碰到这种情况，我的处理顺序是：

1. 接受一定程度的体积膨胀，因为文字层保留的收益大于空间开销；
2. 如果是扫描件，图片本身就是jpeg压缩，体积增加通常不明显；
3. 如果真的膨胀得离谱，再单独对输出PDF做一次page.get_pixmap栅格化压缩，但这一步会牺牲文字层，谨慎使用。

5. 批量拆分、进度展示与常用进阶玩法

5.1 批量处理整个目录的PDF

如果只有一个PDF，上面的脚本就够了。但实际需求往往是“把一个文件夹里几十本PDF全部拆分”。这时我给脚本加一个外壳：

from pathlib import Path from tqdm import tqdm def batch_split_directory(input_dir, output_dir): input_dir = Path(input_dir) output_dir = Path(output_dir) pdf_files = list(input_dir.glob("*.pdf")) print(f"发现 {len(pdf_files)} 个PDF文件") for pdf_path in tqdm(pdf_files, desc="拆分进度"): split_pdf_by_midline(str(pdf_path), str(output_dir / pdf_path.stem))

tqdm不是必需，但批量处理大文件时看一眼进度总比干等强。如果你不想额外装依赖，也可以自己打印文件名：

for pdf_path in pdf_files: print(f"正在处理: {pdf_path.name}") split_pdf_by_midline(str(pdf_path), str(output_dir / pdf_path.stem))

5.2 按页码范围或书签拆分

有时候你不需要拆整个PDF，只想拆正文部分。比如前面10页是封面目录，最后几页是索引，中间200页才是需要左右分页的内容。

两种常见的指定范围方式：

• 按页码：传入start_page和end_page，只对这个范围内的源页面执行拆分。
• 按书签：PyMuPDF读取目录，找到每个章节起点的页码，把每个章节单独拆出来。

按页码的范围控制很简单，循环条件改一下就行：

for pno in range(start_page, end_page + 1):

按书签拆会稍微复杂一点，核心是拿到书签页码：

toc = src_doc.get_toc() print(toc) # 输出形如 [[1, "第一章", 3], [1, "第二章", 20]]

拿到页码列表后，把每章的页码范围提取出来，逐章调用拆分逻辑。这种需求常见于把一本大书按章节拆分，方便分发给不同的人阅读。

5.3 新页面尺寸标准化与合并

拆分后的页面尺寸是源页面一半宽度、原高度。如果一个源页面是非常规尺寸，比如方形扫描件，拆出来就是方形单页。阅读器显示时不一定会自动填满屏幕，但在打印场景下可能出现“页边距不对称”的观感。

如果希望输出页面统一成标准A4纵向，可以做一次尺寸标准化：

new_page.set_mediabox(fitz.Rect(0, 0, 595, 842)) # A4纵向的近似点数

不过set_mediabox会有缩放或平移的风险，需要配合set_cropbox控制显示区域，这步比较琐碎。我的建议是：只要输出页面比例不是特别离谱，保持原尺寸就行，阅读器会自适应。

5.4 多进程加速

PyMuPDF的拆分速度已经非常快，普通文字版PDF每秒能拆几十页。但如果是高分辨率扫描件，is_blank_clip里的像素渲染会比较耗时。这时可以上多进程：

from concurrent.futures import ProcessPoolExecutor def process_one(args): pdf_path, output_dir = args split_pdf_by_midline(pdf_path, output_dir) with ProcessPoolExecutor(max_workers=4) as pool: list(pool.map(process_one, [(str(p), str(output_dir / p.stem)) for p in pdf_files]))

注意：fitz.open在fork模式下会有共享资源冲突的风险，稳妥的做法是每个worker函数内部重新fitz.open，也就是把split_pdf_by_midline作为独立入口函数再传入进程池，不要跨进程传递同一个Document对象。

5.5 封装成命令行工具

如果要长期用，可以顺手封装成命令行：

import argparse parser = argparse.ArgumentParser(description="拆分左右并排PDF") parser.add_argument("input", help="输入PDF路径或目录") parser.add_argument("-o", "--output", default="output", help="输出目录") parser.add_argument("-s", "--start", type=int, default=0, help="起始页码") parser.add_argument("-e", "--end", type=int, default=None, help="结束页码") args = parser.parse_args()

这样配合定时任务或右键发送到菜单，就能在不打开Python代码的情况下给非技术同事使用。我自己就在Windows上注册了一个右键脚本，PDF文件拖上去自动拆，非常省事。

最后再分享一个小经验。拆分这类任务，脚本本身十分钟就能写完，真正的坑都在数据质量上。我遇到过的页面旋转、中缝阴影、空白页、尺寸不一致，没有一个是靠改库能解决的，全靠先把文档特性摸清楚。所以拿到陌生PDF，先花两分钟列页数、查尺寸、抽几页渲染看看，再决定要不要调中缝余量，这个习惯能帮你少返工很多次。

无论你是想把扫描书拆成单页在平板上看，还是要把双栏文献拆开做批注，只要理解了show_pdf_page的clip参数和坐标判断逻辑，这套方案能覆盖绝大多数需求。剩下的就是按自己手头文件的实际情况，调整页面范围和中缝参数了。