Разбор PDF без объекта /Root с помощью PDFMiner

интересная проблема. я провел какое-то исследование:

функция, которая анализировала pdf (из исходного кода майнеров):

def set_parser(self, parser):
        "Set the document to use a given PDFParser object."
        if self._parser: return
        self._parser = parser
        # Retrieve the information of each header that was appended
        # (maybe multiple times) at the end of the document.
        self.xrefs = parser.read_xref()
        for xref in self.xrefs:
            trailer = xref.get_trailer()
            if not trailer: continue
            # If there's an encryption info, remember it.
            if 'Encrypt' in trailer:
                #assert not self.encryption
                self.encryption = (list_value(trailer['ID']),
                                   dict_value(trailer['Encrypt']))
            if 'Info' in trailer:
                self.info.append(dict_value(trailer['Info']))
            if 'Root' in trailer:
                #  Every PDF file must have exactly one /Root dictionary.
                self.catalog = dict_value(trailer['Root'])
                break
        else:
            raise PDFSyntaxError('No /Root object! - Is this really a PDF?')
        if self.catalog.get('Type') is not LITERAL_CATALOG:
            if STRICT:
                raise PDFSyntaxError('Catalog not found!')
        return

если у вас возникнут проблемы с EOF, будет возбуждено другое исключение: '''другая функция из исходного кода'''

def load(self, parser, debug=0):
        while 1:
            try:
                (pos, line) = parser.nextline()
                if not line.strip(): continue
            except PSEOF:
                raise PDFNoValidXRef('Unexpected EOF - file corrupted?')
            if not line:
                raise PDFNoValidXRef('Premature eof: %r' % parser)
            if line.startswith('trailer'):
                parser.seek(pos)
                break
            f = line.strip().split(' ')
            if len(f) != 2:
                raise PDFNoValidXRef('Trailer not found: %r: line=%r' % (parser, line))
            try:
                (start, nobjs) = map(long, f)
            except ValueError:
                raise PDFNoValidXRef('Invalid line: %r: line=%r' % (parser, line))
            for objid in xrange(start, start+nobjs):
                try:
                    (_, line) = parser.nextline()
                except PSEOF:
                    raise PDFNoValidXRef('Unexpected EOF - file corrupted?')
                f = line.strip().split(' ')
                if len(f) != 3:
                    raise PDFNoValidXRef('Invalid XRef format: %r, line=%r' % (parser, line))
                (pos, genno, use) = f
                if use != 'n': continue
                self.offsets[objid] = (int(genno), long(pos))
        if 1 <= debug:
            print >>sys.stderr, 'xref objects:', self.offsets
        self.load_trailer(parser)
        return

из вики (спецификации PDF): PDF-файл состоит в основном из объектов восьми типов:

Boolean values, representing true or false
Numbers
Strings
Names
Arrays, ordered collections of objects
Dictionaries, collections of objects indexed by Names
Streams, usually containing large amounts of data
The null object

Объекты могут быть как прямыми (встроенными в другой объект), так и косвенными. Косвенные объекты нумеруются номером объекта и номером поколения. Индексная таблица, называемая таблицей внешних ссылок, дает смещение в байтах каждого косвенного объекта от начала файла. Такой дизайн обеспечивает эффективный произвольный доступ к объектам в файле, а также позволяет вносить небольшие изменения без перезаписи всего файла (добавочное обновление). Начиная с PDF версии 1.5, непрямые объекты также могут располагаться в специальных потоках, известных как потоки объектов. Этот метод позволяет уменьшить размер файлов с большим количеством мелких косвенных объектов и особенно полезен для PDF с тегами.

Я думаю, проблема в том, что ваш «поврежденный pdf» имеет несколько «корневых элементов» на странице.

Possible solution:

вы можете скачать исходники и написать `функции печати' в каждом месте, где извлекаются объекты xref и где синтаксический анализатор пытается проанализировать эти объекты. можно будет определить полный стек ошибки (до появления этой ошибки).

PS: я думаю, что это какая-то ошибка в продукте.

Решение в slate pdf — использовать «rb» -> читать двоичный режим.

Поскольку slate pdf зависит от PDFMiner, и у меня та же проблема, это должно решить вашу проблему.

fp = open('C:\Users\USER\workspace\slate_minner\document1.pdf','rb')
doc = slate.PDF(fp)
print doc

У меня была такая же проблема в Ubuntu. У меня есть очень простое решение. Просто распечатайте pdf-файл как pdf. Если вы находитесь в Ubuntu:

1. Откройте файл PDF с помощью средства просмотра документов (ubuntu).

2. Перейти к файлу

3. Перейти к печати

4. Выберите печать как файл и установите флажок «pdf».

Если вы хотите сделать процесс автоматическим, выполните, например, this, то есть используйте этот скрипт для автоматической печати всех ваших pdf-файлов. Подобный linux-скрипт также работает:

for f in *.pdfx
do
lowriter --headless --convert-to pdf "$f"
done

Примечание. Я назвал исходные (проблемные) pdf-файлы pdfx.

Ответ выше правильный. Эта ошибка появляется только в окнах, и обходным путем является замена with open(path, 'rb') на fp = open(path,'rb')

Я тоже получил эту ошибку и продолжал пытаться fp = open('example','rb')

Тем не менее, я все еще получил указанную ошибку OP. Я обнаружил, что в моем коде была ошибка, из-за которой PDF-файл все еще был открыт другой функцией.
Поэтому убедитесь, что PDF-файл не открыт в памяти в другом месте.