Question

在Python中，我使用pdfminer从pdf中读取文本，并在此消息下面显示代码。我现在收到一条错误消息：

File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfpage.py", line 124, in get_pages
    raise PDFTextExtractionNotAllowed('Text extraction is not allowed: %r' % fp)
PDFTextExtractionNotAllowed: Text extraction is not allowed: <cStringIO.StringO object at 0x7f79137a1
ab0>

当我用Acrobat Pro打开这个pdf时，它证明它是安全的（或“读保护”）。然而，从this link开始，我读到有很多服务可以轻松禁用这种读取保护（例如pdfunlock.com。当深入了解pdfminer的源代码时，我发现上面的错误是在these lines

if check_extractable and not doc.is_extractable:
    raise PDFTextExtractionNotAllowed('Text extraction is not allowed: %r' % fp)

由于有许多服务可以在一秒钟内禁用这种读保护，我认为这很容易做到。似乎.is_extractable是doc的简单属性，但我认为这不如将.is_extractable更改为True那么简单。

有人知道如何使用Python禁用pdf上的读取保护吗？欢迎所有提示！

=============================================== =

您将在下面找到我目前从非读保护文件中提取文本的代码。

def getTextFromPDF(rawFile):
    resourceManager = PDFResourceManager(caching=True)
    outfp = StringIO()
    device = TextConverter(resourceManager, outfp, codec='utf-8', laparams=LAParams(), imagewriter=None)
    interpreter = PDFPageInterpreter(resourceManager, device)

    fileData = StringIO()
    fileData.write(rawFile)
    for page in PDFPage.get_pages(fileData, set(), maxpages=0, caching=True, check_extractable=True):
        interpreter.process_page(page)
    fileData.close()
    device.close()

    result = outfp.getvalue()

    outfp.close()
    return result

Answer 1

据我所知，在大多数情况下，使用密码作为加密密钥，PDF的全部内容实际上是加密的，因此只需将.is_extractable设置为True即可帮助你。

根据这个帖子：

Does a library exist to remove passwords from PDFs programmatically?

我建议使用命令行工具删除读保护，例如qpdf（可以轻松安装，例如在Ubuntu上使用apt-get install qpdf，如果你还没有）：

qpdf --password=PASSWORD --decrypt SECURED.pdf UNSECURED.pdf

然后使用pdfminer打开解锁文件并执行操作。

对于纯Python解决方案，您可以尝试使用PyPDF2及其.decrypt()方法，但它不适用于所有类型的加密，所以真的，你最好只使用qpdf - 请参阅：

https://github.com/mstamy2/PyPDF2/issues/53

Answer 2

我在尝试使qpdf在程序中运行时遇到一些问题。我发现了一个有用的库pikepdf，它基于qpdf，并自动将pdf转换为可提取的。

使用此代码非常简单：

import pikepdf

pdf = pikepdf.open('unextractable.pdf')
pdf.save('extractable.pdf')

Answer 3

在我的情况下，没有密码，只是设置check_extractable=False绕过有问题的文件的PDFTextExtractionNotAllowed例外（在其他查看器中打开正常）。

Answer 4

我使用下面的代码并且能够覆盖。

pdf = pikepdf.open('filepath', allow_overwriting_input=True)
pdf.save('filepath')

Answer 5

'check_extractable = True'参数是设计使然。某些PDF明确禁止提取文本，PDFMiner遵循该指令。您可以覆盖它（给出check_extractable = False），但后果自负。

Answer 6

我也同样遇到了解析安全pdf的问题，但是使用pikepdf库已经解决了。我在jupyter notebbok和Windows os上尝试了该库，但出现了错误，但在Ubuntu上能正常运行

Answer 7

如果要解锁文件夹中的所有pdf文件而不重命名它们，则可以使用以下代码：

import glob, os, pikepdf

p = os.getcwd()
for file in glob.glob('*.pdf'):
   file_path = os.path.join(p, file).replace('\\','/')
   init_pdf = pikepdf.open(file_path)
   new_pdf = pikepdf.new()
   new_pdf.pages.extend(init_pdf.pages)
   new_pdf.save(str(file))

在pikepdf库中，无法通过使用相同名称保存来覆盖现有文件。相反，您希望将页面复制到新创建的空pdf文件中，然后保存。

如何在Python中解锁“安全”（读保护）PDF？

7 个答案: