使用Python替换PDF文本时，内存更新正常但写入文件后内容复原的问题求助

我仔细看了你的代码，发现几个核心问题导致了“内存里显示更新，但写入文件后变回原内容”的现象，咱们一步步拆解：

1. 最关键的错误：替换逻辑完全走错了方向 #

你现在的代码是先通过page.extract_text()把PDF里的文本提取出来，替换占位符后再写回PDF内容流——但PDF的内容流根本不是纯文本！

PDF的内容流是一堆包含绘图、文本定位、字体设置的操作指令，比如类似这样的格式：

BT /F1 14 Tf 200 700 Td (<NAME>) Tj ET

你把提取后的纯文本（比如Test）直接写回去，相当于把合法的指令流换成了一堆无意义的纯文本，PDF阅读器根本无法解析，要么显示乱码，要么直接 fallback 到原始的内容（或者看起来和原文件一样）。

2. 次要问题：只把最后一页添加到了输出PDF里 #

你的代码在循环处理完所有页面后，只执行了一次writer.add_page(page)，这会导致输出的PDF只有最后一页（如果你的原PDF有多页的话），前面的页面都没被写入。

修正方案 #

下面是调整后的代码，核心是直接操作PDF的内容流指令，而不是提取后的纯文本：

import os
from PyPDF2 import PdfReader, PdfWriter
from PyPDF2.generic import (
    DecodedStreamObject, EncodedStreamObject,
    ContentStream, TextStringObject, NameObject
)

def replace_text_in_content_stream(content_stream, replacements):
    """解析PDF内容流，替换文本指令中的占位符"""
    operations = list(content_stream.operations)
    for i, (operator, operands) in enumerate(operations):
        # 处理单行文本指令（Tj）
        if operator == b"Tj":
            if isinstance(operands[0], TextStringObject):
                original_text = operands[0].decode()
                # 遍历替换字典替换占位符
                for placeholder, new_val in replacements.items():
                    original_text = original_text.replace(placeholder, new_val)
                # 把替换后的文本写回
                operands[0] = TextStringObject(original_text.encode())
        # 处理多行文本指令（TJ）
        elif operator == b"TJ":
            for j, operand in enumerate(operands[0]):
                if isinstance(operand, TextStringObject):
                    original_text = operand.decode()
                    for placeholder, new_val in replacements.items():
                        original_text = original_text.replace(placeholder, new_val)
                    operands[0][j] = TextStringObject(original_text.encode())
    # 更新内容流的操作列表
    content_stream.operations = operations
    return content_stream

def process_data(content, pdf_reader, replacements):
    """处理单个内容流对象"""
    if isinstance(content, (DecodedStreamObject, EncodedStreamObject)):
        # 解析内容流
        content_stream = ContentStream(content, pdf_reader)
        # 替换文本
        updated_stream = replace_text_in_content_stream(content_stream, replacements)
        # 把更新后的内容流编码后写回
        content.set_data(updated_stream.encode())

if __name__ == "__main__":
    in_file ="Certificate.pdf"
    replacements = {
        "<NAME>": "John Doe",
        # 可以添加更多占位符和替换值
    }

    pdf_reader = PdfReader(in_file)
    pdf_writer = PdfWriter()

    for page in pdf_reader.pages:
        contents = page.get_contents()
        # 处理单内容流的情况
        if isinstance(contents, (DecodedStreamObject, EncodedStreamObject)):
            process_data(contents, pdf_reader, replacements)
        # 处理多内容流的情况（部分PDF会拆分内容流）
        elif hasattr(contents, "__iter__"):
            for obj in contents:
                if isinstance(obj, (DecodedStreamObject, EncodedStreamObject)):
                    stream_obj = obj.getObject()
                    process_data(stream_obj, pdf_reader, replacements)
        # 把处理后的页面添加到writer
        pdf_writer.add_page(page)

    # 写入输出文件
    with open("updatedcertificate.pdf", 'wb') as out_file:
        pdf_writer.write(out_file)

为什么这样能解决问题？ #

• 直接解析PDF的内容流指令，找到专门的文本操作（Tj/TJ），只替换这些指令里的文本内容，保留其他绘图、定位指令，保证PDF结构合法。
• 循环处理每一页后立即添加到PdfWriter，确保所有页面都被写入输出文件。
• 同时兼容单内容流和多内容流的PDF格式，覆盖更多场景。

额外注意事项 #

如果你的PDF里的文本是被嵌入字体加密、或者文本被拆分成多个片段（比如<NAME>被拆成(<N)(AME>)），这种简单的替换可能失效，这时候可能需要更复杂的文本拼接逻辑，或者改用专门的PDF编辑库（比如pdfplumber）来辅助处理。

备注：内容来源于stack exchange，提问作者user2586942