当PDF损坏无法修复时，可用pdftotext强制提取（首选）、hexdump+grep定位关键词、Python正则匹配方括号文本块三种底层方法恢复残留内容，无需依赖PDF结构完整性。
当PDF文件被Adobe Acrobat等软件报“文件已损坏无法修复”时，常规GUI阅读器已拒绝加载，但只要文件头部未彻底损毁、文本流仍部分可读，就可通过底层二进制工具绕过解析校验，直接从原始字节中提取残留文本。
先用 pdftotext 强制提取（推荐首选）
这一步不依赖PDF结构完整性，只扫描文件中连续的ASCII/UTF-8可打印字符序列，对轻度损坏文件成功率最高。
确保系统已安装 poppler-utils：Ubuntu/Debian 运行 sudo apt install poppler-utils，macOS 运行 brew install poppler。
执行命令：pdftotext -layout -enc UTF-8 -f 1 -l 1000 "broken.pdf" "output.txt"。
【-layout 参数必须加】它启用位置感知模式，能拼合因对象引用断裂而错位的单词；即使全文仅第3页有可用文本，该命令仍会跳过崩溃页继续扫描后续页。
若提示“Syntax Error: Couldn’t read xref table”，说明交叉引用表损坏——此时删掉 -f 和 -l 参数，改用 pdftotext -raw "broken.pdf" "raw.txt"，它跳过所有PDF逻辑层，直接按字节流提取可见字符。
用 hexdump + grep 快速捞出关键短语
适用于你只关心某几个关键词（如合同金额、身份证号、签名姓名），且文件体积小于50MB。
在终端运行：hexdump -C "broken.pdf" | grep -i "contract|amount|idcard"。
如果关键词是中文，需先转成UTF-8十六进制再搜：printf "合同金额" | iconv -f UTF-8 -t UTF-16BE | xxd -p | tr -d ' '，得到类似 e59088e5908ce98791e9a29d，再用 grep "e59088e5908c" 定位。
定位到偏移地址（如 0004a2f0）后，用 dd if="broken.pdf" bs=1 skip=303856 count=200 2>/dev/null | strings 截取附近200字节并过滤可读字符串——这步能绕过所有PDF解析器，直取磁盘原始内容。
用 Python 跳过页表，逐块读取文本流
当 pdftotext 也失败时，说明损坏已深入到对象流层级，需手动剥离PDF封装，搜索真正的文本段落。
第一步：安装 PyPDF2 并导入：pip install PyPDF2。
第二步：用以下代码跳过元数据校验，暴力扫描整个文件二进制内容：
import re
with open("broken.pdf", "rb") as f:
raw = f.read()
text_blocks = re.findall(b"\[(.*?)\]", raw)
for block in text_blocks:
if len(block) > 20 and b" " in block:
try:
print(block.decode("utf-8", errors="ignore"))
except:
pass
这段代码不调用任何PdfReader，而是把PDF当普通二进制文件处理，专找方括号包裹的疑似文本对象（PDF中字符串常以 [Hello World] 形式存在），【errors="ignore" 不可省略】，否则遇到乱码字节会中断整个提取流程。
第三步：将输出重定向到文件：python extract.py > found_text.txt，然后用文本编辑器打开，人工筛选有效段落。
