使用Python borb库提取PDF标注遇异常，寻求解决方案

操作流程 #

1. 创建简易PDF文档：

from borb.pdf import Document
from borb.pdf import Page
from borb.pdf import SingleColumnLayout
from borb.pdf import Paragraph
from borb.pdf import PDF

# 创建空文档
pdf = Document()

# 添加空白页面
page = Page()
pdf.add_page(page)

# 使用单列布局
layout = SingleColumnLayout(page)

# 添加段落
layout.add(Paragraph("Hello World!"))

# 保存PDF
with open("output.pdf", "wb") as pdf_file_handle:
    PDF.dumps(pdf_file_handle, pdf)

2. 用不同工具添加标注：

• 使用Linux Evince PDF阅读器3.36.10为“Hello”添加黄色高亮标注
• 使用Firefox内置PDF阅读器为“World!”添加红色下划线标注

标注效果：“Hello”文字被黄色高亮标注，“World!”被红色下划线标注

3. 尝试用borb提取标注：

from borb.pdf import Document
from borb.pdf import PDF

# 读取文档
doc = None
with open("output.pdf", "rb") as in_file_handle:
    doc = PDF.loads(in_file_handle)

# 遍历30页提取标注
for i in range(0,30):
    annots = doc.get_page(i).get_annotations()
    print(">>> ", annots)

测试结果 #

• 无标注空白PDF：output.pdf
• Evince标注后的PDF：无法识别标注（output1.pdf）
• Firefox标注后的PDF：出现page(0)索引越界错误（output2.pdf）
• Firefox标注后用PDFTK新增一页的PDF：可正常读取标注（output3.pdf）
• 标注后的真实论文PDF：无法读取任何标注（test-paper.pdf）

异常原因 #

1. Evince标注无法识别：部分旧版本Evince不使用标准PDF注释格式存储标注，而是采用私有结构或XFA表单存储，borb仅支持解析标准PDF注释，因此无法识别。
2. Firefox标注触发索引越界：Firefox修改PDF时可能破坏了文档的页面树结构，borb的get_page(i)依赖规范的页面树索引，结构异常时会触发索引越界；PDFTK新增页面后修复了页面树，因此能正常读取。
3. 真实论文PDF无法读取标注：可能是以下原因：
   • 标注存储在非标准字段（如附件层、自定义元数据）中；
   • PDF被加密或设置了注释读取权限；
   • 论文使用复杂页面布局（分栏、嵌套结构），导致borb的注释解析逻辑无法匹配。

正确提取标注的方法 #

1. 优化标注读取代码 #

避免固定遍历页数，先获取实际页数并增加异常处理：

from borb.pdf import Document
from borb.pdf import PDF

# 读取文档
doc = PDF.loads(open("your_file.pdf", "rb"))

# 遍历所有有效页面
total_pages = doc.get_number_of_pages()
for page_num in range(total_pages):
    try:
        page = doc.get_page(page_num)
        annotations = page.get_annotations()
        if annotations:
            print(f"第{page_num+1}页标注：{annotations}")
        else:
            print(f"第{page_num+1}页无标注")
    except Exception as e:
        print(f"读取第{page_num+1}页失败：{str(e)}")

2. 处理非标准标注（Evince） #

• 更新Evince到最新版本，新版本默认使用标准PDF注释格式；
• 使用Poppler工具包的pdfinfo或pdf2txt.py提取注释元数据，辅助解析。

3. 修复损坏的PDF结构（Firefox） #

先使用Ghostscript或PDFTK修复PDF结构，再用borb读取：

# 使用Ghostscript修复
gs -o fixed_output.pdf -sDEVICE=pdfwrite -dPDFSETTINGS=/prepress broken_input.pdf

4. 处理加密/复杂PDF #

• 若PDF加密，先使用qpdf解密：

qpdf --password=your_password --decrypt encrypted.pdf decrypted.pdf

• 对于复杂布局的PDF，配合borb的TextExtraction工具定位标注对应的文本区域，关联注释内容。

内容的提问来源于stack exchange，提问作者Yan King Yin