代码之家 › 专栏 › 技术社区 › Saqib Ali

当pypdf2正在解析的pdf被破坏时,我能让它正常地失败吗?

pypdf2 pdf python

Saqib Ali · 技术社区 · 6 年前

我有一个python应用程序,它从公共网站上收集数百个pdf文件,并使用这个python库来解析它们 PyPDF2

在数百个成功解析的文件中,有一个文件让我心痛。它有18页长。文件名为“bad.pdf”。你可以看到它 here .

这是我的代码,它将解析整个文档:

$ 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9页。但在第十页,它就挂着。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。哦哇:即使是谷歌文档也无法解析第10页。所以这一页肯定有什么东西被破坏了:

但是,我仍然需要pypdf抛出异常或以其他方式失败,而不仅仅是进入无限循环。它扼杀了我的工作流程。如何处理pdf文件中损坏的页面?

1 回复 | 直到 6 年前

Hayat 6 年前

下面的模板将给你一个如何实现这一点的想法。

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)

也 open 你的文件来自 with 关键字(保存内存泄漏)

推荐文章

Bumboobee · 有没有办法将Pdf放入Swal模型中?

2 年前

Bakare Kazeem · 如何使用node将图像转换为PDF。没有第三方Api的js

2 年前

Karma · PHP致命错误:未捕获错误:在C:\xampp\htdocs\server\pdf中找不到类“Mpdf\Mpdf”。菲律宾:5

2 年前

WhiteWolf · PDFJsAnnotations Uncaught(承诺中)语法错误:JSON输入意外结束

2 年前

Madal Africa-Guinea · 如何使用Itext7有效减少PDF大小?

2 年前

Vik G · R中PDF中的额外字体

6 年前

Penachia · PDF FontDescriptor标志

6 年前

Koosh · PDF文档的页数不一致

6 年前

Nicholas Farmer · Xcode PDFKit表单自动计算

6 年前

Juan Antonio · pdftk-使用FDF自动填充PDF表单

6 年前