可以使用 python 提取损坏的 PDF 的元数据属性吗？

Question

我的计算机上的文件夹中存储了大量 PDF 文件，我尝试从每个文件中提取元数据并使用这些信息创建一个数据框。但是，我在文件夹中遇到了一些损坏的 PDF。就我的目的而言，从这些损坏的 PDF 中提取元数据而不是简单地忽略它们将非常有用。使用Python可以实现这个吗？

Answer 1

大多数库存 PDF MetaInfo 可通过 xpdf 或 poppler 实用程序访问，并且通常包含在 Python 安装中。因此，如果我们在 for 循环中递归扫描所有文件，则 PDFInfo 会生成结构良好的输出，即使对于失败的文件也是如此。

>Apps\PDF\Xpdf\xpdf-tools-win-4.04\bin32\pdfinfo aa1.pdf
Syntax Error: Couldn't read xref table
Syntax Warning: PDF file is damaged - attempting to reconstruct xref table...
Title:          *Untitled - Notepad
Author:
Producer:       Print My PDF
CreationDate:   Sun Jan  1 00:00:00 2023
ModDate:        Sun Jan  1 00:00:00 2023
Tagged:         no
Form:           none
Pages:          1
Encrypted:      no
Page size:      595.32 x 841.92 pts (A4) (rotated 0 degrees)
File size:      4416 bytes
Optimized:      no
PDF version:    1.7

因此，我们需要做的就是过滤我们感兴趣的对象，例如生成文件的内容或源文档标题是什么？

现在问题仅限于Python，而我不使用它，所以你需要写很多行。我只需在 OS shell CMD 级别运行“findstr”（类似于 Unix utils）并在文件名前面添加前缀，使用批处理中的循环，以输出为例：

echo aa1.pdf & pdfinfo aa1.pdf  |findstr " Title:"

aa1.pdf
Syntax Error: Couldn't read xref table
Syntax Warning: PDF file is damaged - attempting to reconstruct xref table...
Title:          *Untitled - Notepad