使用损坏的外部参照表修复 pdf

Posted 2023-02-25

【中文标题】使用损坏的外部参照表修复 pdf

【英文标题】：Repairing pdfs with damaged xref table

【发布时间】：2017-03-31 20:42:53

【问题描述】：

是否有任何解决方案（最好在 Python 中）可以修复带有损坏的外部参照表的 pdf？

我有一个 pdf，我尝试在 Ghostscript 中转换为 png 并收到以下错误：

**** 错误：读取外部参照表时出错。 **** 文件已损坏。这可能是由于 **** 转换或传输文件时出现问题。

但是，我可以在 Mac 上的 Preview 中打开 pdf，当我使用 Preview 导出 pdf 时，我可以转换导出的 pdf。

有什么方法可以修复 pdf 而无需手动打开并导出它们？

【问题讨论】：

根据损坏的类型，pdfrw 可能能够修复它。 （我是pdfrw作者。）

感谢您的建议。我刚刚尝试使用 pdfrw 读取 pdf，但得到一个“PdfParseError：预期的“外部参照”关键字或外部参照流对象”。我正在尝试修复此 pdf：here

谢谢！我将不得不分析为什么 pdfrw 不起作用。同时，我发现 pdftk 会修复它，例如pdftk srcfile output dstfile.

【参考方案1】：

如果文件在 Ghostscript 中按预期呈现，那么您可以通过 GS 将其运行到 pdfwrite 设备并创建一个不会损坏的新 PDF 文件。

预览版（就像 Acrobat 一样）几乎可以肯定地在后台默默地修复问题。 Ghostscript 也会这样做，但与其他应用程序不同，我们认为您需要知道该文件有问题。首先让您知道它已损坏，其次如果文件在 Ghostscript（或者实际上是其他应用程序）中呈现不正确，您就会知道原因。

请注意，外部参照损坏有两个主要原因；首先，应用程序的开发人员没有仔细阅读规范，外部参照中的文件偏移量是正确的，但格式不正确（这种情况并不少见，GS 修复将是无害的），其次文件真正已经在运输过程中损坏，或因编辑而损坏。

在后一种情况下，可能还有其他问题，Ghostscript 也会尝试警告您这些问题。如果您没有收到任何其他警告或错误，则可能只是格式错误的外部参照表。

【讨论】：

感谢您的回复。不幸的是，Ghostscript 无法处理/修复 pdf。但是，预览可以。我正在通过一个已知会返回损坏的 pdf 的 API 提取 pdf。所以我只是在寻找一种以自动化方式修复这些 pdf 的方法，因为我正在处理大量它们。

我很想看到这样的 PDF 文件，我们会在可能的情况下尝试修复 PDF。你能制造一个你可以公开的吗？

Here 你去吧。

有趣。我不认为它是错误的外部参照（尽管这是错误的），它似乎是一个损坏的图像。我会进一步戳它，谢谢分享。

有趣。该文件有一个图像，它将其长度声明为间接对象（它以这种方式处理所有页面以及所有图像）。间接对象​​声明长度为 0 ......所以 Ghostscript 合理地抱怨图像没有足够的数据。顺便说一句，Acrobat 提供在退出时保存文件，这几乎证明它已损坏，即使它读取它也可以。如果这是由较新版本的 libtiff 生成的，您可能应该向 libtiff 开发人员提出错误报告。 （或者如果有更新的版本，则升级，看起来有）