Python批量提取多份PDF首页的技术问题求助

1. 解决"Superfluous whitespace found in object header"报错 #

这个错误源于部分PDF文件格式不规范，PyPDF2对这类非标准PDF的兼容性较差。有两种解决思路：

• 放宽PyPDF2的格式检查：初始化Reader时添加strict=False参数，跳过严格的格式校验，代码示例：

  pdfReader = PyPDF2.PdfFileReader(pdfFileObj, strict=False)
  

• 换用更健壮的库：推荐使用PyMuPDF（fitz），它对各类不规范PDF的支持远优于PyPDF2，能从根源减少这类报错。

2. 修复导出文件损坏的问题 #

你的代码确实存在关键缺失：创建PdfFileWriter后，既没有把提取到的首页添加到写入器，也没有执行写入操作，导致生成的PDF是空文件，自然无法读取。必须补充两步：

• 用pdf_writer.addPage(pageObj)将首页添加到写入器实例
• 用pdf_writer.write(out)执行文件写入操作

3. 指定输出目录的方法 #

要确保输出目录存在，且路径拼接符合系统规范：

1. 提前创建输出目录（如果不存在）：用os.makedirs(output_directory, exist_ok=True)，exist_ok=True避免目录已存在时报错
2. 用os.path.join()拼接输出路径：替代手动字符串拼接，自动适配Windows/Linux的路径分隔符，示例：

   outputFileName = os.path.join(output_directory, f"First_Page_{entry}")
   

修正后的PyPDF2版本代码（兼容部分不规范PDF） #

import os
import PyPDF2
from PyPDF2 import PdfFileWriter, PdfFileReader

input_directory = 'Fund Docs'
output_directory = 'First Pages'

# 确保输出目录存在
os.makedirs(output_directory, exist_ok=True)

# 遍历输入目录下的文件，仅处理PDF
for entry in os.listdir(input_directory):
    if not entry.lower().endswith('.pdf'):
        continue
    print(f"处理文件: {entry}")
    
    file_path = os.path.join(input_directory, entry)
    try:
        with open(file_path, 'rb') as pdfFileObj:
            # 开启宽松模式，兼容格式不规范的PDF
            pdfReader = PdfFileReader(pdfFileObj, strict=False)
            if pdfReader.numPages == 0:
                print(f"警告：{entry} 无页面，跳过")
                continue
            # 获取第一页
            pageObj = pdfReader.getPage(0)
            
            # 拼接输出路径
            outputFileName = os.path.join(output_directory, f"First_Page_{entry}")
            with open(outputFileName, 'wb') as out:
                pdf_writer = PdfFileWriter()
                pdf_writer.addPage(pageObj)  # 添加首页
                pdf_writer.write(out)  # 执行写入
                print(f"已生成: {outputFileName}")
    except Exception as e:
        print(f"处理{entry}失败: {str(e)}")
        continue

更稳定的PyMuPDF版本代码（推荐） #

import os
import fitz  # PyMuPDF库

input_directory = 'Fund Docs'
output_directory = 'First Pages'

os.makedirs(output_directory, exist_ok=True)

for entry in os.listdir(input_directory):
    if not entry.lower().endswith('.pdf'):
        continue
    print(f"处理文件: {entry}")
    file_path = os.path.join(input_directory, entry)
    
    try:
        # 打开原PDF
        doc = fitz.open(file_path)
        if len(doc) == 0:
            print(f"警告：{entry} 无页面，跳过")
            continue
        # 创建新PDF并插入第一页
        new_doc = fitz.open()
        new_doc.insert_pdf(doc, from_page=0, to_page=0)
        # 保存到指定目录
        output_path = os.path.join(output_directory, f"First_Page_{entry}")
        new_doc.save(output_path)
        # 关闭文档释放资源
        new_doc.close()
        doc.close()
        print(f"已生成: {output_path}")
    except Exception as e:
        print(f"处理{entry}失败: {str(e)}")
        continue

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