Python操作PDF：PyPDF2提取文本与合并教程

Python处理PDF远比想象中复杂：PyPDF2虽曾是主流工具，但面对“伪PDF”报错、文本提取为空或乱码、合并后体积暴增、以及Python 3.12+兼容性崩溃等问题，暴露了其底层校验严苛、容错弱、不维护等深层局限；实际开发中，必须结合file命令验证文件真伪、用pdfplumber或OCR应对无文本层/中文乱码、借pikepdf或qpdf优化合并体积，并果断迁移到活跃维护的pypdf——因为PDF的本质是高度碎片化的格式协议，可靠操作的关键不在“怎么写代码”，而在于系统性验证输入、分场景选工具、预处理加兜底的工程化思维。

PyPDF2 读取 PDF 报 PdfReadError: Not a PDF file 怎么办

不是所有带 .pdf 后缀的文件都是合法 PDF，PyPDF2 对文件头和结构校验严格。常见于下载不完整、被重命名的文档、或用某些在线工具导出的“伪 PDF”（实际是 HTML 或图片打包）。

实操建议：

• 先用系统命令确认文件类型：file document.pdf，输出应含 PDF document；若显示 data 或 HTML，说明不是真 PDF
• 用 pdfplumber 或 fitz（PyMuPDF）尝试打开——它们容错更强，但注意：后者需单独安装 pip install PyMuPDF
• 如果文件来自网页下载，检查是否被浏览器自动保存为 .pdf?xxx 形式，重命名时漏掉了查询参数，导致实际是 HTML 响应体

用 PyPDF2.PdfReader 提取文本为空或乱码

PyPDF2 不解析渲染逻辑，只读取 PDF 中的“文本对象流”，而很多 PDF（尤其扫描件、LaTeX 导出、或加了字体子集的文档）根本不存可提取的文本，或者用了未嵌入的字体。

实操建议：

• 先运行 reader.pages[0].extract_text()，再检查返回值是否为 None 或空字符串；如果是，基本可判定该页无文本层
• 不要依赖 extract_text() 处理扫描 PDF——它完全无效；改用 pytesseract + pdf2image 做 OCR
• 中文乱码通常因字体未嵌入或编码映射缺失，PyPDF2 本身不处理字体解码；可换 pdfplumber，它对中文字体支持更稳，调用方式类似：pdfplumber.open("x.pdf").pages[0].extract_text()

PyPDF2.PdfWriter 合并 PDF 后体积暴增

PyPDF2 默认不做对象去重和压缩，每合并一次，就把所有原始 PDF 的资源（字体、图像、元数据）全拷一份进来，哪怕内容完全重复。

实操建议：

• 合并前手动清理源文件：用 qpdf --optimize 预处理（需系统安装 qpdf），或用 pikepdf 替代：pip install pikepdf，它支持原地压缩与对象复用
• 避免多次 add_page() 后反复写入；一次性收集所有 PdfReader 实例，再统一添加到 PdfWriter，减少中间状态
• 写入时禁用默认元数据注入：writer.add_metadata({})，否则会把每个源 PDF 的作者/标题等信息都堆进去

PyPDF2 在 Python 3.12+ 上安装失败或运行报 ImportError: cannot import name 'PDFObjectNotFound'

PyPDF2 自 3.0.0 版起已停止维护，官方推荐迁移到 pypdf（注意包名变了）。旧版 PyPDF2 不兼容新 Python 的 AST 解析器变更，且部分异常类已被移除。

实操建议：

• 立刻卸载：pip uninstall PyPDF2，安装替代品：pip install pypdf
• 代码只需微调：把 from PyPDF2 import PdfReader, PdfWriter 改成 from pypdf import PdfReader, PdfWriter；其余 API 几乎一致
• 别信“改源码注释掉 import 行”的方案——后续遇到加密 PDF 或数字签名时会崩得更彻底

PDF 操作真正麻烦的从来不是语法，而是格式本身的碎片化：同一份文档，在不同生成工具、不同 Acrobat 版本、甚至不同导出选项下，底层结构可能天差地别。选库只是第一步，验证输入、预处理、兜底策略，一样都不能少。

文中关于的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《Python操作PDF：PyPDF2提取文本与合并教程》文章吧，也可关注golang学习网公众号了解相关技术文章。