如何在Python中解析PDF的IndirectObject并提取数据？

1. 理解IndirectObject的本质 #

你看到的IndirectObject不是错误，是PyPDF2对PDF页面对象的内部引用方式。getPage(0)返回的是Page对象，直接打印它只会显示内部引用标识，而不是页面内容。要提取数据，需要调用Page对象的文本提取方法。

2. 提取文本的正确代码 #

修改你的代码，使用extract_text()方法获取页面内容：

import PyPDF2

path = 'cutoffs.pdf'
reader = PyPDF2.PdfReader(path)  # PyPDF2 v2.x版本推荐用PdfReader，PdfFileReader已被弃用
page_1 = reader.pages[0]  # v2.x版本用pages索引获取页面，替代getPage()
text = page_1.extract_text()
print(text)

3. 处理无法提取文本的情况 #

如果运行后没有得到有效文本，大概率是因为这个PDF是扫描生成的图片型PDF，PyPDF2无法提取图片里的文字，需要用OCR工具处理：

• 先安装依赖：pip install pytesseract pillow pdf2image
• 然后用以下代码（需提前安装Tesseract OCR引擎）：

import pytesseract
from pdf2image import convert_from_path

# 将PDF页面转为图片
pages = convert_from_path('cutoffs.pdf', 500)
for i, page in enumerate(pages):
    # 用Tesseract提取图片中的文字
    text = pytesseract.image_to_string(page, lang='eng')
    print(f"第{i+1}页内容：")
    print(text)

4. 版本兼容提示 #

PyPDF2在v2.x版本做了API变更，PdfFileReader和getPage()已经被标记为弃用，建议使用PdfReader和pages属性来获取页面，避免后续版本出现兼容问题。

内容的提问来源于stack exchange，提问作者shantanu