前几天接到个需求：把扫描的A4和A3文档合并成一个PDF，还要自动裁掉白边。听起来简单，实际上涉及MediaBox、CropBox、旋转矩阵好几个概念。今天就聊聊PDF页面操作的这些门道。

四种边界框(Box)的区别

PDF的页面有四种边界框定义，很多人只知道MediaBox：

5 0 obj

  /Type /Page
  /MediaBox [0 0 595 842]      % A4纸
  /CropBox [50 50 545 792]     % 裁掉四周各50点
  /Contents 6 0 R
  /Resources << ... >>
>>
endobj

页面旋转的两种方式

PDF支持两种旋转机制，很多人混淆：

/Rotate 90  % 顺时针旋转90度

q  % 保存状态
0.866 0.5 -0.5 0.866 0 0 cm  % 旋转30度
... 绘图指令 ...
Q  % 恢复状态

实战：混合纸张处理

用PyMuPDF处理不同尺寸的页面：

import fitz

def normalize_pages(input_pdf, output_pdf):
    doc = fitz.open(input_pdf)
    
    # 统一所有页面为A4横向
    target_size = fitz.paper_rect("a4-l")  # A4 landscape
    
    for page in doc:
        # 获取当前页面尺寸
        current_rect = page.rect
        
        # 如果是竖向A3，旋转90度
        if current_rect.width < current_rect.height:
            page.set_rotation(90)
        
        # 设置新的MediaBox
        page.set_mediabox(target_size)
        
        # 裁剪白边（假设白边在四周各20点）
        margin = 20
        crop_rect = fitz.Rect(
            margin, margin,
            target_size.width - margin,
            target_size.height - margin
        )
        page.set_cropbox(crop_rect)
    
    doc.save(output_pdf)
    doc.close()
    print(f"处理完成：{doc.page_count}页已统一")

normalize_pages('mixed.pdf', 'normalized.pdf')

自动裁剪白边

检测内容边界，自动计算CropBox：

def auto_crop(pdf_path, output_path):
    doc = fitz.open(pdf_path)
    
    for page in doc:
        # 获取页面上所有可见内容的边界
        blocks = page.get_text("dict")["blocks"]
        
        if not blocks:
            continue
        
        # 找到内容的最小包围盒
        x0 = min(b["bbox"][0] for b in blocks)
        y0 = min(b["bbox"][1] for b in blocks)
        x1 = max(b["bbox"][2] for b in blocks)
        y1 = max(b["bbox"][3] for b in blocks)
        
        # 加上10点的边距
        margin = 10
        crop_box = fitz.Rect(
            x0 - margin, y0 - margin,
            x1 + margin, y1 + margin
        )
        
        page.set_cropbox(crop_box)
    
    doc.save(output_path)
    doc.close()

auto_crop('scanned.pdf', 'cropped.pdf')

常见问题解决

快速参考