HTML中经encodeURIComponent编码的Base64格式PDF提取与有效保存

问题背景 #

从包含嵌入PDF的HTML文件中提取Base64编码字符串，用常规Python代码保存为PDF后，Adobe Reader提示格式无效。经排查，原PDF编码时使用了JavaScript的encodeURIComponent函数，常规Base64解码流程无法正确还原内容。

核心差异 #

原有Python代码直接对提取的Base64字符串解码，但实际编码流程是：PDF二进制 → Base64编码 → encodeURIComponent编码，因此需要先还原URL编码，再进行Base64解码。

修正后的Python实现 #

使用BeautifulSoup解析HTML提取embed标签的src属性，先做URL解码，再Base64解码后保存为PDF：

import base64
from urllib.parse import unquote
from bs4 import BeautifulSoup
from pathlib import Path

def extract_and_save_pdf(html_path, output_path):
    # 读取HTML文件
    with open(html_path, 'r', encoding='utf-8') as f:
        html_content = f.read()
    
    # 解析HTML提取embed的src属性
    soup = BeautifulSoup(html_content, 'html.parser')
    embed_tag = soup.find('embed', type='application/pdf')
    if not embed_tag or 'src' not in embed_tag.attrs:
        raise ValueError("未找到有效的PDF嵌入标签")
    
    # 处理src内容：移除前缀、URL解码、Base64解码
    src_value = embed_tag['src']
    b64_encoded = src_value.replace('data:application/pdf;base64,', '')
    # 对应JS的decodeURIComponent进行URL解码
    decoded_url = unquote(b64_encoded)
    # 执行Base64解码
    pdf_content = base64.b64decode(decoded_url)
    
    # 保存为PDF文件
    with open(output_path, 'wb') as f:
        f.write(pdf_content)

if __name__ == "__main__":
    html_file = Path("pdf-file.html")
    output_file = Path(Path.home(), 'Downloads', 'mytest.pdf')
    extract_and_save_pdf(html_file, output_file)

代码说明 #

• unquote函数对应JavaScript的decodeURIComponent，还原被URL编码的特殊字符（如%2B还原为+）
• 使用BeautifulSoup替代手动解析HTML，处理逻辑更健壮
• 增加基础错误判断，避免因标签缺失导致的运行异常

内容的提问来源于stack exchange，提问作者sfgroups