如何在Python的PDF元数据中正确设置BaseUrl？

这个问题的核心是对PDF元数据存储逻辑的理解偏差：PyPDF2的addMetadata()方法专门操作的是PDF的Info字典——也就是我们日常看到的常规元数据标签（比如标题、作者、主题这些）。但/BaseUrl并不属于Info字典的标准字段，它是PDF规范中定义的**文档目录（Catalog）**条目，所以直接用addMetadata()会把它识别成自定义元数据，放到“创作者自由标签”区域。

要让/BaseUrl出现在高级元数据区域，你需要直接修改PDF的Catalog对象，而不是通过Info字典。下面是针对不同PyPDF2版本的解决方案：

针对PyPDF1.x（旧版本，对应你的代码中的PdfFileWriter） #

import PyPDF2

# 读取源PDF文件
reader = PyPDF2.PdfFileReader("你的输入文件.pdf")
writer = PyPDF2.PdfFileWriter()

# 将源PDF的所有页面添加到writer中
for page_idx in range(reader.getNumPages()):
    page = reader.getPage(page_idx)
    writer.addPage(page)

# 直接修改文档目录（Catalog），添加BaseUrl条目
writer._root_object.update({
    PyPDF2.generic.NameObject("/BaseUrl"): PyPDF2.generic.TextStringObject(
        "http://bud-arch.pollub.pl/wp-content/uploads/Bud-arch_171_2018_005-012_Borucińska–Bieńkowska_Maciejko.pdf"
    )
})

# 保存修改后的PDF
with open("输出文件.pdf", "wb") as output_file:
    writer.write(output_file)

针对PyPDF2.x及以上版本（新版本API） #

如果你的PyPDF2是2.x及以上，API有更新，对应的代码如下：

import PyPDF2

reader = PyPDF2.PdfReader("你的输入文件.pdf")
writer = PyPDF2.PdfWriter()

# 批量添加所有页面
writer.append_pages_from_reader(reader)

# 修改Catalog添加BaseUrl
writer._root_object.update({
    PyPDF2.generic.NameObject("/BaseUrl"): PyPDF2.generic.TextStringObject(
        "http://bud-arch.pollub.pl/wp-content/uploads/Bud-arch_171_2018_005-012_Borucińska–Bieńkowska_Maciejko.pdf"
    )
})

with open("输出文件.pdf", "wb") as output_file:
    writer.write(output_file)

关键说明 #

• _root_object是PyPDF2内部暴露的PDF文档目录对象，直接修改它可以添加PDF规范中属于Catalog的特殊字段（比如/BaseUrl、/Lang等）。
• 用NameObject和TextStringObject包装键值对，是为了符合PDF的底层数据格式要求，确保元数据能被PDF阅读器正确识别并放到对应的高级元数据区域。

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