使用PyPDF2提取PDF文本时遇AttributeError报错求助

问题原因 #

从报错栈能看出，在解析PDF内容流时，readObject函数传入的pdf参数是None，后续代码试图访问pdf.strict属性触发了AttributeError。这类问题属于PyPDF2对部分特殊PDF结构的兼容缺陷，即便PDF本身能正常选中文本，PyPDF2的解析逻辑也没处理好这种情况。

解决方案 #

1. 调整PyPDF2的strict模式 #

打开PDF时禁用严格模式，多数情况下能绕过这类兼容性问题：

from PyPDF2 import PdfReader
# 打开PDF时设置strict=False
reader = PdfReader("目标文件.pdf", strict=False)
page = reader.pages[0]
try:
    text = page.extract_text()
    print(text)
except Exception as e:
    print(f"提取失败: {e}")

2. 更新或降级PyPDF2版本 #

这个bug在PyPDF2的部分版本中存在，尝试升级到最新稳定版，或者降级到已知兼容的版本（比如2.10.5版本）：

# 升级到最新版
pip install --upgrade pypdf2
# 或者降级到指定版本
pip install pypdf2==2.10.5

3. 替换为更稳定的PDF文本提取库 #

如果PyPDF2始终无法解决问题，换成PyMuPDF（fitz），它对各种PDF结构的兼容性更好：

import fitz  # 需要先安装：pip install pymupdf
doc = fitz.open("目标文件.pdf")
full_text = ""
for page in doc:
    full_text += page.get_text()
doc.close()
print(full_text)

4. 临时修复PyPDF2源码（不推荐） #

如果不想换库，找到Python安装目录下的PyPDF2/generic.py文件，定位到readFromStream方法的对应行，把原代码：

elif pdf.strict:

修改为：

elif pdf is not None and pdf.strict:

这样会先判断pdf是否为None，避免触发属性错误。

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