PyPDF2报“Not a PDF file”因文件非真实PDF，需用file命令验证；文本提取为空或乱码因无文本层或字体未嵌入，应改用pdfplumber或OCR；合并后体积暴增因未去重，建议用pikepdf优化；Python 3.12+应迁移到pypdf。
PyPDF2 读取 PDF 报 PdfReadError: Not a PDF file 怎么办
不是所有带 .pdf 后缀的文件都是合法 PDF，PyPDF2 对文件头和结构校验严格。常见于下载不完整、被重命名的文档、或用某些在线工具导出的“伪 PDF”（实际是 HTML 或图片打包）。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用系统命令确认文件类型：
file document.pdf，输出应含PDF document；若显示data或HTML，说明不是真 PDF - 用
pdfplumber或fitz（PyMuPDF）尝试打开——它们容错更强，但注意：后者需单独安装pip install PyMuPDF - 如果文件来自网页下载，检查是否被浏览器自动保存为
.pdf?xxx形式，重命名时漏掉了查询参数，导致实际是 HTML 响应体
用 PyPDF2.PdfReader 提取文本为空或乱码
PyPDF2 不解析渲染逻辑，只读取 PDF 中的“文本对象流”，而很多 PDF（尤其扫描件、LaTeX 导出、或加了字体子集的文档）根本不存可提取的文本，或者用了未嵌入的字体。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先运行
reader.pages[0].extract_text()，再检查返回值是否为None或空字符串；如果是，基本可判定该页无文本层 - 不要依赖
extract_text()处理扫描 PDF——它完全无效；改用pytesseract+pdf2image做 OCR - 中文乱码通常因字体未嵌入或编码映射缺失，PyPDF2 本身不处理字体解码；可换
pdfplumber，它对中文字体支持更稳，调用方式类似：pdfplumber.open("x.pdf").pages[0].extract_text()
PyPDF2.PdfWriter 合并 PDF 后体积暴增
PyPDF2 默认不做对象去重和压缩，每合并一次，就把所有原始 PDF 的资源（字体、图像、元数据）全拷一份进来，哪怕内容完全重复。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 合并前手动清理源文件：用
qpdf --optimize预处理（需系统安装 qpdf），或用pikepdf替代：pip install pikepdf，它支持原地压缩与对象复用 - 避免多次
add_page()后反复写入；一次性收集所有PdfReader实例，再统一添加到PdfWriter，减少中间状态 - 写入时禁用默认元数据注入：
writer.add_metadata({})，否则会把每个源 PDF 的作者/标题等信息都堆进去
PyPDF2 在 Python 3.12+ 上安装失败或运行报 ImportError: cannot import name 'PDFObjectNotFound'
PyPDF2 自 3.0.0 版起已停止维护，官方推荐迁移到 pypdf（注意包名变了）。旧版 PyPDF2 不兼容新 Python 的 AST 解析器变更，且部分异常类已被移除。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 立刻卸载：
pip uninstall PyPDF2，安装替代品：pip install pypdf - 代码只需微调：把
from PyPDF2 import PdfReader, PdfWriter改成from pypdf import PdfReader, PdfWriter；其余 API 几乎一致 - 别信“改源码注释掉 import 行”的方案——后续遇到加密 PDF 或数字签名时会崩得更彻底
PDF 操作真正麻烦的从来不是语法，而是格式本身的碎片化：同一份文档，在不同生成工具、不同 Acrobat 版本、甚至不同导出选项下，底层结构可能天差地别。选库只是第一步，验证输入、预处理、兜底策略，一样都不能少。
