pyPdf：非法UTF-16代理

Question

我有打破pyPdf PDF文件：http://tovotu.de/tests/test.pdf

這是示例腳本：

from pyPdf import PdfFileWriter, PdfFileReader 

outputPdf = PdfFileWriter() 

inpdf = open("test.pdf","rb") 
inputPdf = PdfFileReader(inpdf) 
[outputPdf.addPage(x) for x in inputPdf.pages] 

with open("output.pdf","wb") as outpdf: 
    outputPdf.write(outpdf) 

錯誤輸出是在這裏：http://pastebin.com/0m38zhjQ

的錯誤是從GitHub使用PyPDF2時也是如此。 pdftk可以像處理任何其他pdf一樣處理這個pdf。請注意，寫作失敗，但閱讀似乎工作得很好！

你至少可以指出我的導致該錯誤的PDF格式的確切一部分？一種解決方法會更好:)

Answer 1

看起來像PyPDF2的錯誤。在this section：

if string.startswith(codecs.BOM_UTF16_BE): 
    retval = TextStringObject(string.decode("utf-16")) 
    retval.autodetect_utf16 = True 

它假定從（0xFE的，爲0xFF）任何字符串可以被解碼爲UTF-16。你的文件包含一個以這種方式開始但是包含無效的UTF-16的字節串。

最簡單的解決方法是註釋掉if並無條件使用# This is probably a big performance hit here分支。