如何解锁 Python 中的“安全”（读保护）PDF？

Question

在 Python 中，我使用pdfminer从 pdf 中读取带有此消息下方代码的文本。 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，发现它是安全的（或“读保护”）。 然而，从这个链接中，我了解到有很多服务可以轻松禁用这种读保护（例如pdfunlock.com 。当深入研究 pdfminer 的源代码时，我看到上面的错误是在这些行上生成的。

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此读保护，我认为这很容易做到。 似乎.is_extractable是doc的一个简单属性，但我认为它不像将.is_extractable更改为 True 那样简单..

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！

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

您将在下面找到我当前用于从非读保护中提取文本的代码。

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

我在尝试让 qpdf 在我的程序中运行时遇到了一些问题。 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。

使用它的代码非常简单：

import pikepdf

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

Answer 2

据我所知，在大多数情况下，PDF 的全部内容实际上是加密的，使用密码作为加密密钥，因此简单地将.is_extractable设置为True对您没有帮助。

每个线程：

是否存在以编程方式从 PDF 中删除密码的库？

我建议使用诸如qpdf类的命令行工具删除读保护（易于安装，例如在 Ubuntu 上，如果您还没有， apt-get install qpdf使用apt-get install qpdf ）：

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

然后用pdfminer打开解锁的文件并做你的事情。

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，因此实际上，您最好只使用qpdf - 请参阅：

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

Answer 3

我使用pikepdf使用以下代码并能够覆盖。

import pikepdf

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

Answer 4

在我的情况下，没有密码，但只需设置check_extractable=False绕过了有问题的文件（在其他查看器中打开良好）的PDFTextExtractionNotAllowed异常。

Answer 5

'check_extractable=True' 参数是设计使然。 一些 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），但风险自负。

Answer 6

完全公开，我是pdfminer.six的维护者之一。 它是用于 python 3 的 pdfminer 的社区维护版本。

此问题已在 2020 年通过默认禁用check_extractable得到修复。 它现在显示警告而不是引发错误。

类似的问答在这里。

Answer 7

我也遇到了解析安全 pdf 的同样问题，但它已经使用 pikepdf 库解决了。 我在我的 jupyter notebbok 和 windows 操作系统上尝试了这个库，但它给出了错误，但它在 Ubuntu 上运行顺利

Answer 8

如果您想解锁文件夹中的所有 pdf 文件而不重命名它们，您可以使用以下代码：

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，不可能通过使用相同的名称保存现有文件来覆盖它。 相反，您想将页面复制到新创建的空 pdf 文件中，然后保存。

Answer 9

如果您忘记了 PDF 的密码，下面是一个通用脚本，它在同一个 PDF 上尝试大量密码组合。它使用pikepdf ，但您可以更新 function check_password以使用其他内容。

使用示例：

当我忘记银行 PDF 的密码时，我使用了这个。我知道我的银行总是使用相同的密码结构加密这些类型的 PDF：

1. 总长度 = 8
2. 前 4 个字符 = 大写字母。
3. 最后 4 个字符 = 一个数字。

我调用脚本如下：

check_passwords(
    pdf_file_path='/Users/my_name/Downloads/XXXXXXXX.pdf',
    combination=[
        ALPHABET_UPPERCASE,
        ALPHABET_UPPERCASE,
        ALPHABET_UPPERCASE,
        ALPHABET_UPPERCASE,
        NUMBER,
        NUMBER,
        NUMBER,
        NUMBER,
    ]
)

密码检查脚本：

（需要 Python3.8，带有库numpy和pikepdf ）

from typing import *
from itertools import product
import time, pikepdf, math, numpy as np
from pikepdf import PasswordError

ALPHABET_UPPERCASE: Sequence[str] = tuple('ABCDEFGHIJKLMNOPQRSTUVWXYZ')
ALPHABET_LOWERCASE: Sequence[str] = tuple('abcdefghijklmnopqrstuvwxyz')
NUMBER: Sequence[str] = tuple('0123456789')

def as_list(l):
    if isinstance(l, (list, tuple, set, np.ndarray)):
        l = list(l)
    else:
        l = [l]
    return l

def human_readable_numbers(n, decimals: int = 0):
    n = round(n)
    if n < 1000:
        return str(n)
    names = ['', 'thousand', 'million', 'billion', 'trillion', 'quadrillion']
    n = float(n)
    idx = max(0,min(len(names)-1,
                        int(math.floor(0 if n == 0 else math.log10(abs(n))/3))))

    return f'{n/10**(3*idx):.{decimals}f} {names[idx]}'

def check_password(pdf_file_path: str, password: str) -> bool:
    ## You can modify this function to use something other than pike pdf. 
    ## This function should throw return True on success, and False on password-failure.
    try:
        pikepdf.open(pdf_file_path, password=password)
        return True
    except PasswordError:
        return False


def check_passwords(pdf_file_path, combination, log_freq: int = int(1e4)):
    combination = [tuple(as_list(c)) for c in combination]
    print(f'Trying all combinations:')
    for i, c in enumerate(combination):
        print(f"{i}) {c}")
    num_passwords: int = np.product([len(x) for x in combination])
    passwords = product(*combination)
    success: bool | str = False
    count: int = 0
    start: float = time.perf_counter()
    for password in passwords:
        password = ''.join(password)
        if check_password(pdf_file_path, password=password):
            success = password
            print(f'SUCCESS with password "{password}"')
            break
        count += 1
        if count % int(log_freq) == 0:
            now = time.perf_counter()
            print(f'Tried {human_readable_numbers(count)} ({100*count/num_passwords:.1f}%) of {human_readable_numbers(num_passwords)} passwords in {(now-start):.3f} seconds ({human_readable_numbers(count/(now-start))} passwords/sec). Latest password tried: "{password}"')
    end: float = time.perf_counter()
    msg: str = f'Tried {count} passwords in {1000*(end-start):.3f}ms ({count/(end-start):.3f} passwords/sec). '
    msg += f"Correct password: {success}" if success is not False else f"All {num_passwords} passwords failed."
    print(msg)

注释

1. 显然，不要使用它来分解不是您自己的 PDF。 对于您如何使用此脚本或使用它的任何后果，我不承担任何责任。
2. 可以进行很多优化。
   • 现在check_password使用 pikepdf，它为每次“检查”从磁盘加载文件。 这真的很慢，理想情况下它应该针对内存中的副本运行。 不过，我还没有想出办法做到这一点。
   • 您可以通过直接使用 C++ 调用 qpdf 来加快速度，这比 Python 对于这种东西要好得多。
   • 我会在这里避免多重处理，因为我们正在调用相同的 qpdf 二进制文件（通常是系统范围的安装），这可能成为瓶颈。