当它解析的 PDF 损坏时，我可以让 PyPDF2 优雅地失败吗？答案

【问题标题】：Can I make PyPDF2 fail gracefully when the PDF it is parsing is corrupted?当它解析的 PDF 损坏时，我可以让 PyPDF2 优雅地失败吗？
【发布时间】：2018-12-09 15:07:51
【问题描述】：

我有一个 Python 应用程序，它从公共网站上抓取数百个 PDF 文件，并使用 Python 库 PyPDF2 解析它们

在成功解析的数百个此类文件中，一个文件让我心痛。它有 18 页长。文件名是“bad.pdf”。你可以看到它here。

这是我将解析文档的代码：

$ virtualenv my_env
$ source my_env/bin/activate
(my_env) $ pip install PyPDF2==1.26.0
(my_env) $ python
>>> import PyPDF2
>>> def parse_pdf_doc():
>>>     pdfFileObj = open('bad.pdf', 'rb')
>>>     pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
>>>     for curr_page_num in range(pdfReader.numPages):
>>>         print 'curr_page_num = {}'.format(curr_page_num)
>>>         pageObj = pdfReader.getPage(curr_page_num)
>>>         print '\tPage Retrieved successfully'
>>>         page_text = pageObj.extractText()
>>>         print '\tText extracted successfully'

当我运行这段代码时，它成功地解析了前九页。但是到了第十页，它就挂了。永远：

>>> parse_pdf_doc()
curr_page_num = 0
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 1
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 2
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 3
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 4
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 5
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 6
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 7
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 8
    Page Retrieved successfully
    Text extracted successfully
curr_page_num = 9
    Page Retrieved successfully
<... hung here forever ...>

第 10 页有什么问题？让我们在查看器中打开它。哇哦：即使是 Google 文档也无法解析第 10 页。因此，该页面肯定有一些损坏：

但是，我仍然需要 PyPDF 以其他方式抛出异常或失败，而不仅仅是进入无限循环。它扼杀了我的工作流程。我可以做些什么来解决 PDF 文件中这个损坏的页面？

【问题讨论】：

尝试为每一页打开thread。在thread可以传递timeout的参数。
（仅供参考）我很难找到这个文件有什么问题...我的手写 pdf 检查器警告提到的对象 #925（超出了外部参照），但我找不到什么对象指的是这个！诸如DataLogics 之类的在线 PDF 检查器很高兴地报告它没有错误。

标签： python pdf pypdf2

【解决方案1】：

下面的模板将让您了解如何实现这一目标。

from multiprocessing import Process
pdfFileObj = open('bad.pdf', 'rb')
for page in PDFPage.get_pages(pdfFileObj):
                    processTimeout = 20
                    extractTextProcess = Process(target=Function_to_extract_text, args=(pdfObject,page)

还有open你的文件来自with关键字（以节省内存泄漏）

【讨论】：

PDFPage 是在哪里定义的？为什么分配了processTimeout 但从未使用过？这个答案似乎有点半生不熟。
是的，它是半生不熟的，或者更确切地说只是一个模板。你已经有了可以实现的代码。