如何使用Python解析动态XFA（XML Form Architecture）PDF文件？

问题分析 #

你遇到的情况说明目标PDF要么是图像型扫描件（无原生文本层），要么采用了非常规压缩/加密机制，导致PyPDF2、pdfrw这类常规文本提取库无法正常解析：

• PyPDF2输出的Adobe提示文本，是因为库无法识别PDF的内容结构，只能读取到PDF里嵌入的占位提示；
• pdfrw的解压错误，说明PDF的压缩数据存在校验问题，可能是PDF损坏或使用了库不支持的压缩算法。

可行解决方案 #

方案1：使用PyMuPDF（fitz）尝试提取 #

PyMuPDF对复杂PDF的兼容性更好，能处理多数特殊压缩的PDF：

import fitz  # 需先安装：pip install pymupdf

doc = fitz.open("example.pdf")
for page in doc:
    text = page.get_text()
    print(text)
doc.close()

方案2：OCR识别（针对扫描件PDF） #

如果是图像型PDF，必须用光学字符识别（OCR）提取文本，推荐结合pytesseract和Pillow：

1. 先安装依赖：

   pip install pytesseract pillow
   

   同时需本地安装Tesseract OCR引擎，根据操作系统选择对应版本
2. 代码示例：

   from PIL import Image
   import pytesseract
   import fitz
   
   def pdf_to_images(pdf_path):
       doc = fitz.open(pdf_path)
       images = []
       for page in doc:
           pix = page.get_pixmap()
           img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
           images.append(img)
       return images
   
   images = pdf_to_images("example.pdf")
   for img in images:
       text = pytesseract.image_to_string(img, lang="chi_sim")  # 中文识别用chi_sim，英文用eng
       print(text)
   

方案3：修复PDF后再尝试 #

如果PDF存在损坏，用Adobe Acrobat打开后选择“另存为”重新保存，再用之前的库尝试提取，可能解决解压错误问题。

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