嘿，我来帮你搞定这个PDF读取的麻烦！你遇到的问题根源很明确：第一个URL是直接返回PDF二进制文件流，所以PdfFileReader可以直接处理；但第二个URL返回的是包含PDF数据的HTML页面（也就是你说的"application data"形式），直接把这个URL传给PdfFileReader，它读到的是HTML代码而非真实的PDF内容，自然会报错。

下面分两种常见场景给你对应的代码修改方案：

场景1：PDF以Data URI形式内嵌在HTML标签中（比如iframe/embed） #

大多数这类网站会把PDF编码成base64格式，放在iframe或embed标签的src属性里（格式类似data:application/pdf;base64,JVBERi0xLjQK...）。我们需要先解析HTML提取出这段base64数据，解码后再传给PdfFileReader。

示例代码： #

import requests
from bs4 import BeautifulSoup
import PyPDF2
import base64
import io

# 替换成你的第二个URL
target_url = "https://example.com/your-page-with-embedded-pdf"

# 1. 获取HTML页面内容
response = requests.get(target_url)
response.raise_for_status()  # 确保请求成功，失败则抛出异常

# 2. 解析HTML，找到内嵌PDF的标签
soup = BeautifulSoup(response.text, "html.parser")
# 优先找iframe标签，也可以根据实际情况换成embed标签
pdf_element = soup.find("iframe", {"type": "application/pdf"}) or soup.find("embed", {"type": "application/pdf"})

if pdf_element:
    # 提取Data URI并拆分出base64部分
    pdf_data_uri = pdf_element["src"]
    try:
        _, base64_content = pdf_data_uri.split("base64,", 1)
    except ValueError:
        print("该PDF不是以base64编码的Data URI形式存在")
        exit()
    
    # 3. 解码base64为二进制PDF数据
    pdf_bytes = base64.b64decode(base64_content)
    # 4. 将二进制数据转为类文件对象，供PdfFileReader读取
    pdf_file = io.BytesIO(pdf_bytes)
    
    # 现在可以正常读取PDF了
    reader = PyPDF2.PdfFileReader(pdf_file)
    print(f"成功读取PDF，总页数：{reader.getNumPages()}")
else:
    print("在页面中未找到内嵌的PDF标签（iframe/embed）")

场景2：PDF是通过JavaScript动态加载的 #

如果网站的PDF是通过AJAX或者其他JS逻辑动态渲染到页面中的，用requests+BeautifulSoup可能抓不到数据，这时候需要用浏览器自动化工具（比如Selenium）模拟真实浏览器加载页面，获取渲染后的内容。

示例代码： #

from selenium import webdriver
from selenium.webdriver.common.by import By
import PyPDF2
import base64
import io

# 替换成你的第二个URL
target_url = "https://example.com/your-dynamic-page-with-pdf"

# 初始化浏览器（这里用Chrome，需要提前安装ChromeDriver）
driver = webdriver.Chrome()
driver.get(target_url)
driver.implicitly_wait(10)  # 等待页面加载完成

# 查找内嵌PDF的iframe标签
try:
    pdf_iframe = driver.find_element(By.TAG_NAME, "iframe")
    pdf_data_uri = pdf_iframe.get_attribute("src")
    
    # 后续解码步骤和场景1一致
    _, base64_content = pdf_data_uri.split("base64,", 1)
    pdf_bytes = base64.b64decode(base64_content)
    pdf_file = io.BytesIO(pdf_bytes)
    
    reader = PyPDF2.PdfFileReader(pdf_file)
    print(f"成功读取动态加载的PDF，总页数：{reader.getNumPages()}")
except Exception as e:
    print(f"读取失败：{str(e)}")
finally:
    driver.quit()  # 关闭浏览器

注意事项： #

• 不同网站的内嵌逻辑可能不同，你可以先打开目标页面的开发者工具（F12），查看HTML结构，确认PDF数据具体藏在哪个标签或位置，再调整代码中的查找逻辑。
• 如果遇到反爬机制，可能需要给requests添加请求头（比如User-Agent），或者在Selenium中配置浏览器选项模拟正常用户行为。

内容的提问来源于stack exchange，提问作者Bosiwow