PyPDF2提取PDF中ZUGFeRD嵌入式XML失败问题排查

我明白你现在的困扰——在线工具能轻松从PDF里提取到ZUGFeRD XML，但自己用PyPDF2写的函数却一直提示“找不到嵌入式ZUGFeRD XML文件”，肯定摸不着头脑吧？咱们来一步步拆解问题，找到原因和解决办法。

你当前代码的核心问题：找错了嵌入式文件的存储位置 #

你现在的代码是循环每个PDF页面，在页面对象里找/EmbeddedFiles，但ZUGFeRD XML作为标准的嵌入式附件，根本不是存在页面对象里的！它的标准存储位置是在PDF文档的根字典（Root）下的/Names/EmbeddedFiles集合里，这是PDF规范中存放嵌入式文件的默认位置，在线工具也是按照这个规范查找的，而你的代码方向从一开始就错了。

另外，你的代码里还有个小bug：在循环页面的时候重复创建了pdf_reader对象，这会导致已打开的文件指针混乱，完全没必要这么做。

正确的查找逻辑：从文档根节点的Names字典入手 #

咱们重新梳理正确的提取流程：

1. 打开PDF后，获取文档的根字典（通过pdf_reader.root）
2. 检查根字典中是否存在/Names键，里面是否包含/EmbeddedFiles条目
3. 遍历/EmbeddedFiles下的文件列表，筛选出ZUGFeRD相关的XML文件
4. 提取该文件的原始内容并解码为字符串

修正后的代码示例 #

import PyPDF2

def extract_zugferd_xml(pdf_file_path):
    """
    Extracts the ZUGFeRD XML from a PDF file and returns it as a string.

    Args:
        pdf_file_path (str): The path to the PDF file to extract the XML from.

    Returns:
        str: The ZUGFeRD XML as a string.
    """
    with open(pdf_file_path, 'rb') as pdf_file:
        pdf_reader = PyPDF2.PdfReader(pdf_file)
        root = pdf_reader.root

        # 检查文档根节点是否有Names字典，且包含EmbeddedFiles
        if '/Names' not in root or '/EmbeddedFiles' not in root['/Names']:
            raise ValueError('The specified PDF file does not contain embedded files.')
        
        embedded_files_names = root['/Names']['/EmbeddedFiles']['/Names']
        # PDF的Names数组结构是 [文件名1, 文件对象1, 文件名2, 文件对象2, ...]
        for i in range(0, len(embedded_files_names), 2):
            file_name = embedded_files_names[i]
            file_obj_ref = embedded_files_names[i+1]
            # 获取文件对象的实际内容
            file_obj = pdf_reader.get_object(file_obj_ref)
            file_stream = file_obj['/EF']['/F']
            xml_content = file_stream.get_data().decode('utf-8')

            # 筛选ZUGFeRD XML：文件名通常带ZUGFeRD，或者内容里包含ZUGFeRD标识
            if (file_name.endswith('.xml') and 'ZUGFeRD' in xml_content) or 'zugferd' in file_name.lower():
                return xml_content

        # 遍历完所有嵌入式文件都没找到
        raise ValueError('The specified PDF file does not contain an embedded ZUGFeRD XML file.')

额外说明 #

1. 为什么在线工具能找到？因为在线工具严格遵循了PDF规范，从文档级的嵌入式文件集合里查找，而你的代码错误地去页面对象里找，自然找不到。
2. 少数特殊的ZUGFeRD PDF可能会把XML存放在AcroForm的嵌入式文件集合里，如果上面的代码还是找不到，可以尝试检查pdf_reader.root.get('/AcroForm', {}).get('/EmbeddedFiles')，但这种情况非常少见。

备注：内容来源于stack exchange，提问作者Djoni Djonovic