用pyPdf合併非標準PDF文件

Question

我想將幾個PDF文件合併到一個PDF文檔中。事實證明，輸入文件並不完全符合標準。該EOF標記其次是一些附加信息：

>> 
startxref 
1994481 
%%EOF 

%%PPIRoute: 4 

很顯然，這會導致pyPdf giving me an exception：

pyPdf.utils.PdfReadError: EOF marker not found 

現在的問題是：我該怎麼辦？我可能會打開每個文件，剝掉最後兩行並將其保存到pyPdf之前。但是，我不太喜歡這個想法。也許有更好的選擇呢？

Answer 1

我建議從改變PdfFileReader類的read()方法開始在pdf.py腳本：

def read(self, stream): 
     # start at the end: 
     stream.seek(-1, 2) 
     line = '' 
     while not line: 
      line = self.readNextEndLine(stream) 
     if line[:5] != "%%EOF": 
      raise utils.PdfReadError, "EOF marker not found" 

    ... etc 

到：

def read(self, stream): 
     # start at the end: 
     stream.seek(-1, 2) 
     line = '' 
     # read stream backwards while watching for end-of-file marker 
     while line[:5] != "%%EOF": 
      line = self.readNextEndLine(stream) 

    ... etc 

在我看來，原來的代碼是不是真的按照Adobe的PDF 1.3 Reference文檔中的第3.4.4節「文件預告」（第628頁）所述進行操作（italics mine）：

Acrobat viewers require only that the %%EOF marker appear somewhere within the last 1024 bytes of the file.

換句話說，在"%%EOF"標記後面的文件物理結束之前還有其他內容是可以的。我提議的更改嘗試適應這種情況，並忽略可能已添加到文件末尾的任何其他內容，而不是引發異常（但它不要求"%%EOF"最後1K字節爲規範說，雖然可以添加一個檢查）。這也意味着你試圖合併的文件實際上可能符合規範。

更新：

這裏有一個版本，也需要"%%EOF"標記是最後1024個字節內：

def read(self, stream): 
    # start at the end 
    stream.seek(-1, os.SEEK_END) 
    last1K = stream.tell() - 1024 + 1 # offset of last 1024 bytes of stream 

    # read stream backwards while watching for end-of-file marker 
    line = '' 
    while line[:5] != "%%EOF": 
     line = self.readNextEndLine(stream) 
     if stream.tell() < last1K: 
      raise utils.PdfReadError, "EOF marker not found" 

    ... etc