PyPDF4读取PDF触发PdfReadWarning警告，仅单个文件异常咨询

问题说明 #

• 使用PyPDF4读取ABRAHAO.pdf文件时，触发警告：PdfReadWarning: Superfluous whitespace found in object header
• 已测试295个其他PDF文件，均能正常读取，仅该文件出现此警告

相关代码 #

import PyPDF4
path = f'C:/Users/Gabriel/Desktop/Curso/Teste/pdfs/teste/ABRAHAO.pdf'

pdf = open(path, 'rb')
reader = PyPDF4.PdfFileReader(pdf, strict=False)
page = reader.getPage(0)
text = page.extractText()
text = text.strip()

原因分析 #

该警告是因为目标PDF的文件结构不符合标准规范：对象头区域存在多余的空白字符。即使设置了strict=False关闭严格解析模式，PyPDF4仍会抛出警告提示这种格式问题，但不会影响文本提取功能的正常运行。

解决方案 #

方案1：屏蔽特定警告

如果不需要看到该警告，可以通过Python的warnings模块针对性屏蔽：

import warnings
from PyPDF4 import PdfReadWarning

# 屏蔽PyPDF4的对象头多余空白警告
warnings.filterwarnings("ignore", category=PdfReadWarning)

import PyPDF4
path = f'C:/Users/Gabriel/Desktop/Curso/Teste/pdfs/teste/ABRAHAO.pdf'

pdf = open(path, 'rb')
reader = PyPDF4.PdfFileReader(pdf, strict=False)
page = reader.getPage(0)
text = page.extractText()
text = text.strip()

方案2：修复PDF格式

使用专业PDF工具（如Adobe Acrobat）重新保存该文件，或使用pdftk等命令行工具优化PDF结构，消除非标准的空白字符，从根源解决警告问题。

内容的提问来源于stack exchange，提问作者Espanholzx zx