无法读取链接中PDF文档内容的技术问题求助

可能的原因及对应方案 #

1. 请求的URL并非直接PDF文件链接 #

你当前用的是网页地址，返回的是HTML页面而非PDF内容。PyPDF2读取HTML不会触发错误，但自然提取不到任何文本。

验证方法：
在函数里先打印返回内容的前几个字节，确认是否为PDF格式：

response = urlopen(url)
content = response.read()
print(content[:10])  # 正常PDF开头应该是b'%PDF-'

如果输出不是b'%PDF-'，说明你需要找到页面里实际的PDF下载链接，再用该链接发起请求。

2. PDF是扫描生成的图像型文件 #

如果PDF是扫描件，本身没有可编辑的文本层，PyPDF2无法直接提取文字，需要用OCR工具识别图像内容。

解决方案：
使用pytesseract配合Pillow处理，步骤如下：

• 安装依赖包：

pip install pillow pytesseract

• 还要安装Tesseract OCR引擎（Windows从官方GitHub下载安装包，Linux可通过apt install tesseract-ocr安装）

修改代码示例：

from io import BytesIO
from urllib.request import urlopen
from PIL import Image
import pytesseract
import PyPDF2

def read_scanned_pdf_from_url(url):
    try:
        response = urlopen(url)
        pdf_file = BytesIO(response.read())
        reader = PyPDF2.PdfReader(pdf_file)
        text = ""
        for page_num in range(len(reader.pages)):
            page = reader.pages[page_num]
            # 提取页面中的图像并识别文字
            for img in page.images:
                img_data = BytesIO(img.data)
                image = Image.open(img_data)
                text += pytesseract.image_to_string(image, lang='eng')
        return text
    except Exception as e:
        print(f"An error occurred: {e}")

3. PDF存在权限限制或加密 #

部分PDF设置了禁止文本提取的权限，PyPDF2能正常打开但无法提取内容，可以尝试解除权限（需确保操作合法合规）：

修改代码添加权限处理：

reader = PyPDF2.PdfReader(pdf_file)
# 检查并尝试解密（部分PDF用空密码限制权限）
if reader.is_encrypted:
    reader.decrypt("")

额外建议：改用requests库处理请求 #

urllib处理复杂请求（如需要自定义请求头、会话）不够灵活，改用requests可以避免被网站拦截：

import requests
from io import BytesIO

def read_pdf_from_url(url):
    try:
        headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"
        }
        response = requests.get(url, headers=headers)
        response.raise_for_status()  # 检查请求是否成功
        pdf_file = BytesIO(response.content)
        reader = PyPDF2.PdfReader(pdf_file)
        text = ""
        for page_num in range(len(reader.pages)):
            page = reader.pages[page_num]
            text += page.extract_text()
        return text
    except Exception as e:
        print(f"An error occurred: {e}")

内容的提问来源于stack exchange，提问作者mason