使用PyPDF2提取PDF文本报错：'NameObject'无'get_data'属性

尝试使用PyPDF2提取PDF文件中的文本，代码如下：

file_path = "xxx.pdf"

pdfFileObj = open(file_path, 'rb') 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 

print(pdfReader.numPages) 

pageObj = pdfReader.getPage(0) 
    
print(pageObj.extractText()) 
    
pdfFileObj.close()

该代码处理其他PDF文件时运行正常，但针对某特定PDF文件持续报错，核心错误信息如下：

AttributeError: 'NameObject' object has no attribute 'get_data'

完整报错栈输出：

68
Output exceeds the size limit. Open the full output data in a text editor
---------------------------------------------------------------------------
AttributeError                            Traceback (most recent call last)
c:\HL\PDF parsing\pdfparsing pdfminer.ipynb Cell 6 in <cell line: 20>()
     17 pageObj = pdfReader.getPage(11) 
     19 # extracting text from page 
---&gt; 20 print(pageObj.extractText()) 
     22 # closing the pdf file object 
     23 pdfFileObj.close()

File c:\Users\Hlin\Anaconda3\lib\site-packages\PyPDF2\_page.py:1545, in PageObject.extractText(self, Tj_sep, TJ_sep)
   1539 """
   1540 .. deprecated:: 1.28.0
   1541 
   1542     Use :meth:`extract_text` instead.
   1543 """
   1544 deprecate_with_replacement("extractText", "extract_text")
-&gt; 1545 return self.extract_text()

File c:\Users\Hlin\Anaconda3\lib\site-packages\PyPDF2\_page.py:1517, in PageObject.extract_text(self, Tj_sep, TJ_sep, orientations, space_width, *args)
   1514 if isinstance(orientations, int):
   1515     orientations = (orientations,)
-&gt; 1517 return self._extract_text(
   1518     self, self.pdf, orientations, space_width, PG.CONTENTS
   1519 )
...
   (...)
    205         .replace(b">>", b"\n}\n")  # some solution to find it back
    206     )

AttributeError: 'NameObject' object has no attribute 'get_data'

请问此问题可能由代码或PDF文件本身的什么原因导致？

一、PDF文件本身的问题 #

• 非标准结构：该PDF可能违反了PDF规范，比如在页面内容流中错误地将NameObject类型对象当作字节流存储。PyPDF2解析时默认调用get_data()处理字节流，但NameObject没有这个方法，因此触发报错。
• 文件损坏或异常压缩：PDF在生成、传输过程中可能损坏，或者使用了PyPDF2不完全兼容的压缩/加密格式，导致解析时类型识别错误。
• 特殊内容嵌入：如果PDF包含特殊字体、动态元素或非标准页面结构，PyPDF2的解析逻辑无法正确处理这类边缘情况，引发类型错误。

二、PyPDF2库相关问题 #

• 版本Bug：你当前使用的PyPDF2版本可能存在解析漏洞，对某些非标准PDF的处理逻辑不完善，导致误判对象类型。
• API过时：代码中使用了已废弃的extractText()方法（官方推荐用extract_text()替代），虽然大部分场景兼容，但在处理特殊PDF时可能触发未覆盖的异常。

验证与解决建议 #

• 替换过时API：将pageObj.extractText()改为pageObj.extract_text()，尝试规避兼容性问题。
• 更新库版本：执行pip install --upgrade PyPDF2，新版本可能修复了这类解析Bug。
• 换库测试：用pdfplumber、pdfminer.six等其他PDF解析库测试该文件，如果其他库能正常提取，即可确定是PyPDF2对该PDF的兼容性问题。

内容的提问来源于stack exchange，提问作者user15410844