PyPDF读取多PDF时异常，未签名表单无法正常读取

问题本质 #

你遇到的提示是未签名交互式PDF表单（AcroForm）的占位提示文本，这类PDF的核心数据存储在表单字段中，而非直接渲染在页面文本层；PyPDF2默认的extract_text()会优先提取占位提示而非实际表单内容，签名后表单字段被扁平化处理，文本层恢复正常，因此读取无异常。

针对性解决方案 #

1. 优先从表单字段提取数据 #

放弃直接提取页面文本，先通过get_fields()获取表单字段值，这是未签名表单数据提取最可靠的方式：

def parse_pdf(file_list):
    user_list = []  # 修正原代码中user_list未初始化的问题
    for filename in file_list:
        full_path = os.path.join(INTAKE_FILEPATH, filename)
        # 用with语句确保文件资源正确释放，避免泄漏影响后续读取
        with open(full_path, 'rb') as f:
            reader = PdfReader(f)
            fields = reader.get_fields()
            
            # 分分支处理：未签名表单（有字段）/已签名表单（无字段）
            if fields:
                # 替换为你的PDF表单实际字段名（可通过Adobe Acrobat查看）
                name_l = fields.get("Name", {}).get("/V", "")
                serial_num = fields.get("SerialNumber", {}).get("/V", "")
                # 签名状态通过签名字段是否有值判断
                signed_l = bool(fields.get("SignatureField", {}).get("/V"))
                loc_l = fields.get("Location", {}).get("/V", "")
                contact_l = fields.get("ContactInfo", {}).get("/V", "")
            else:
                # 已签名PDF走原文本提取逻辑
                page = reader.pages[0]
                text = page.extract_text()
                name_l = get_name_l(text)
                serial_num = get_serial_num_s(text)
                signed_l = check_if_signed_l(name_l, fields)
                loc_l = get_loc_deros_l(text)
                contact_l = get_contact_info_l(text)
            
            user_list.append(assemble_dict(name_l, signed_l, loc_l, contact_l, serial_num))
    return user_list

2. 提取表单字段的外观文本（针对字段值为空但页面有显示的情况） #

部分表单的实际内容存储在字段的外观流中，而非/V属性，可通过以下方式提取：

def get_field_appearance_text(field):
    # 获取字段正常状态的外观字典
    ap_dict = field.get('/AP', {}).get('/N')
    if not ap_dict:
        return ""
    # 将外观对象转为临时页面提取文本
    from PyPDF2.generic import DictionaryObject
    if isinstance(ap_dict, DictionaryObject):
        temp_page = type('TempPage', (object,), {'_obj': ap_dict})()
        return temp_page.extract_text()
    return ""

# 在parse_pdf的表单分支中使用：
name_l = get_field_appearance_text(fields.get("Name")) or fields.get("Name", {}).get("/V", "")

3. 预处理PDF清除占位提示（批量场景适用） #

如果PDF的占位提示是表单默认值，可批量修改PDF清除默认值：

def clear_form_placeholder(full_path):
    from PyPDF2 import PdfWriter, PdfReader
    reader = PdfReader(full_path)
    writer = PdfWriter()
    
    for page in reader.pages:
        writer.add_page(page)
    
    if reader.get_fields():
        writer.set_fields(reader.get_fields())
        # 遍历字段删除默认占位值
        for field in writer.get_fields().values():
            if "/DV" in field:
                del field["/DV"]
    
    # 保存处理后的PDF
    processed_path = full_path.replace(".pdf", "_processed.pdf")
    with open(processed_path, 'wb') as f:
        writer.write(f)
    return processed_path

关键注意事项 #

• 原代码中user_list未初始化，需先定义为列表避免运行报错
• 不同PDF的表单字段名称可能不同，需用PDF编辑器（如Adobe Acrobat）查看实际字段名
• 每次读取PDF使用with open确保文件句柄关闭，避免资源泄漏影响后续文件读取

内容的提问来源于stack exchange，提问作者jber79