使用PyPDF2提取特定PDF文本时出现IndexError问题求助

问题分析 #

你遇到的IndexError: list index out of range是PyPDF2解析PDF字符映射表（cmap）时的bug，特定PDF的字符编码格式不符合PyPDF2的预期处理逻辑，导致处理bfrange指令时出现列表索引越界。

解决方案 #

1. 升级PyPDF2到最新版本 #

该bug在PyPDF2的较新版本中已被修复，执行以下命令升级：

pip install --upgrade PyPDF2

升级后重新运行代码，多数情况下能解决问题。

2. 调整extract_text参数尝试 #

若升级后问题仍存在，可尝试调整extract_text的参数，比如启用布局感知提取：

from PyPDF2 import PdfReader

input_pdf = PdfReader(open("pdfFile.pdf", "rb"))
thispage = input_pdf.pages[0]
# 启用布局模式提取文本
print(thispage.extract_text(use_text_layout=True))

或指定简单提取模式：

print(thispage.extract_text(extraction_mode="simple"))

3. 临时补丁修复（仅升级无效时使用） #

如果上述方法都不生效，可手动修改PyPDF2的_cmap.py文件规避错误：
找到Python环境下的PyPDF2/_cmap.py文件，定位到parse_bfrange函数，在计算nbi前添加列表长度检查：

def parse_bfrange(l, map_dict, int_entry, multiline_rg):
    if multiline_rg:
        multiline_rg += l[1:]
        if "endbf" in l[0]:
            l = multiline_rg
            multiline_rg = []
        else:
            return multiline_rg
    if len(l) < 3:
        return multiline_rg
    lst = l[2:]
    # 添加列表长度检查，避免索引越界
    if len(lst) < 2:
        return multiline_rg
    nbi = max(len(lst[0]), len(lst[1]))
    # 剩余原有代码保持不变

修改后保存文件，重新运行代码即可跳过有问题的字符映射条目，完成文本提取。

内容的提问来源于stack exchange，提问作者Tomás Gomez Pizarro