struct.error：解包需要长度为 16 的字符串参数

处理 PDF 时文件 (2.pdf) https://yadi.sk/i/2vABlTaexZerg使用 pdfminer (pdf2txt.py) 我收到以下错误：

pdf2txt.py 2.pdf 

Traceback (most recent call last):
  File "/usr/local/bin/pdf2txt.py", line 115, in <module>
    if __name__ == '__main__': sys.exit(main(sys.argv))
  File "/usr/local/bin/pdf2txt.py", line 109, in main
    interpreter.process_page(page)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfinterp.py", line 832, in process_page
    self.render_contents(page.resources, page.contents, ctm=ctm)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfinterp.py", line 843, in render_contents
    self.init_resources(resources)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfinterp.py", line 347, in init_resources
    self.fontmap[fontid] = self.rsrcmgr.get_font(objid, spec)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfinterp.py", line 195, in get_font
    font = self.get_font(None, subspec)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdfinterp.py", line 186, in get_font
    font = PDFCIDFont(self, spec)
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdffont.py", line 654, in __init__
    StringIO(self.fontfile.get_data()))
  File "/usr/local/lib/python2.7/dist-packages/pdfminer/pdffont.py", line 375, in __init__
    (name, tsum, offset, length) = struct.unpack('>4sLLL', fp.read(16))
struct.error: unpack requires a string argument of length 16

虽然类似的文件 (1.pdf) https://yadi.sk/i/Z37JK5S9xZeoX不会造成问题。

我找不到有关该错误的任何信息。我添加了一个issue https://github.com/euske/pdfminer/issues/144在 pdfminer GitHub 存储库上，但仍未得到答复。有人可以向我解释为什么会发生这种情况吗？我可以做什么来解析2.pdf https://yadi.sk/i/2vABlTaexZerg?

Update：我遇到类似的错误BytesIO代替StringIO after 安装pdfminer https://github.com/euske/pdfminer#how-to-install直接来自 GitHub 存储库。

    $ pdf2txt.py 2.pdf 
Traceback (most recent call last):
  File "/home/danil/projects/python/pdfminer-source/env/bin/pdf2txt.py", line 116, in <module>
    if __name__ == '__main__': sys.exit(main(sys.argv))
  File "/home/danil/projects/python/pdfminer-source/env/bin/pdf2txt.py", line 110, in main
    interpreter.process_page(page)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdfinterp.py", line 839, in process_page
    self.render_contents(page.resources, page.contents, ctm=ctm)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdfinterp.py", line 850, in render_contents
    self.init_resources(resources)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdfinterp.py", line 356, in init_resources
    self.fontmap[fontid] = self.rsrcmgr.get_font(objid, spec)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdfinterp.py", line 204, in get_font
    font = self.get_font(None, subspec)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdfinterp.py", line 195, in get_font
    font = PDFCIDFont(self, spec)
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdffont.py", line 665, in __init__
    BytesIO(self.fontfile.get_data()))
  File "/home/danil/projects/python/pdfminer-source/env/local/lib/python2.7/site-packages/pdfminer/pdffont.py", line 386, in __init__
    (name, tsum, offset, length) = struct.unpack('>4sLLL', fp.read(16))
struct.error: unpack requires a string argument of length 16

TL; DR

感谢@mkl 和@hynecer 提供的额外信息...我可以确认这是 pdfminer 和您的 PDF 中的错误。每当 pdfminer 尝试获取嵌入文件流（例如字体定义）时，它都会拾取文件中的最后一个文件流，然后再执行endobj。遗憾的是，并非所有 PDF 都严格添加结束标签，因此 pdfminer 应该对此具有弹性。

快速修复此问题

我已经创建了一个补丁 - 它已作为 github 上的拉取请求提交。看https://github.com/euske/pdfminer/pull/159 https://github.com/euske/pdfminer/pull/159.

详细诊断

正如其他答案中提到的，您看到这种情况的原因是，当 pdfminer 解包数据时，您没有从流中获得预期的字节数。但为什么？

正如您在堆栈跟踪中看到的那样，pdfminer（正确地）发现它有一个要处理的 CID 字体。然后，它继续将嵌入的字体文件处理为 TrueType 字体（在pdffont.py）。它尝试通过读出一组二进制表来解析关联的流（流 ID 18）。

这不适用于2.pdf因为它有一个文本流。你可以通过运行看到这一点dumppdf -b -i 18 2.pdf。我在这里开始：

/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CIDSystemInfo << /Registry (Adobe) /Ordering (UCS) /Supplement 0
>> def /CMapName /Adobe-Identity-UCS def
...

那么，垃圾输入，垃圾输出...这是您的文件或 pdfminer 中的错误吗？好吧，事实上其他读者可以处理它，这让我产生了怀疑。

进一步挖掘，我发现这条流是完全相同的流ID 17，这是cmapToUnicode场地。快速浏览一下PDF spec http://www.adobe.com/devnet/pdf/pdf_reference.html表明这些不可能相同。

进一步深入研究代码，我发现所有流都获取相同的数据。哎呀！这就是错误。原因似乎与此 PDF 缺少一些结束标记有关 - 正如@hynecer 所指出的。

修复方法是为每个流返回正确的数据。任何其他只是吞掉错误的修复都会导致所有流使用错误的数据，例如错误的字体定义。

我相信附带的补丁可以解决您的问题，并且一般情况下应该可以安全使用。