Python，pyPdf OCR 错误：pyPdf.utils.PdfReadError：找不到 EOF 标记

Question

pyPdf 抛出此异常：

pyPdf.utils.PdfReadError: EOF 标记未找到

我不需要修复 pyPdf，我只需要获取 EOF 错误以导致“except”块执行并跳过文件，但它不起作用。它仍然会导致程序停止运行。

背景：

Batch OCR Program for PDFs

Python, pyPdf, Adobe PDF OCR error: unsupported filter /lzwdecode

...传奇还在继续。

我在一个文件夹中有 10,000 个 pdf。一些 OCRd，一些没有。无法区分它们。第 1 步是找出哪些不是 OCRd，而 OCR 只是那些（有关详细信息，请参阅其他线程）。

所以我正在使用 pyPdf。当我尝试阅读文本时，我得到了一些与无法识别的字符和不受支持的过滤器相关的异常。所以我猜测如果它抛出异常，它会在其中包含一些文本，然后它不会出现在列表中。问题解决了，对吧？像这样：

      from pyPdf import PdfFileWriter, PdfFileReader
      import sys, os, pyPdf, re

      path = 'C:\Users\Homer\Documents\My Pdfs'

      filelist = os.listdir(path)

      has_text_list = []
      does_not_have_text_list = []

    for pdf_name in filelist:
        pdf_file_with_directory = os.path.join(path, pdf_name)
        pdf = pyPdf.PdfFileReader(open(pdf_file_with_directory, 'rb'))
        print pdf_name
        for i in range(0, pdf.getNumPages()):
            try:
                pdf.write("%%EOF")
                content = pdf.getPage(i).extractText()
                does_it_have_text = re.findall(r'\w{2,}', content) 
                if does_it_have_text == []:
                    does_not_have_text_list.append(pdf_name)
                    print pdf_name
                else:
                    has_text_list.append(pdf_name)
            except:
                has_text_list.append(pdf_name)

print does_not_have_text_list

然后我得到这个错误：

pyPdf.utils.PdfReadError: EOF 标记未找到

似乎出现了很多（来自谷歌）：

http://pdfposter.origo.ethz.ch/node/31

我认为这意味着 pyPdf 打开了文件，尝试了文本处理，引发了任何异常，做了 except: 块，但现在无法进入下一步 b/c 它不知道文件已结束。

还有其他类似的帖子，他们声称已修复，但似乎没有。

然后有人在这里有一个函数，他们首先将 EOF 字符写入 .pdf。

http://code.activestate.com/lists/python-list/589529/

我停留在“pdf.write("%%EOF")" 行试图模仿这个，但没有骰子。

那么我如何得到那个错误来运行 except 块？我也在使用wing IDE，所以如果有办法使用调试器跳过这些文件，那也是可能的。谢谢。

Answer 1

将您的 pyPdf 调用也放入 try/except 块中。