使用pdf2image的convert_from_path时遇BytesIO对象无法识别错误

问题场景 #

使用pdf2image库的convert_from_path方法提取PDF页面时，突然抛出UnidentifiedImageError，代码此前能正常运行。

报错信息 #

<ipython-input-45-4ebf020b9136> in <cell line: 1>()
      1 for pdf in list_of_pdfs:
----> 2   images = convert_from_path(pdf,first_page= 1,last_page=2)

2 frames
/usr/local/lib/python3.10/dist-packages/pdf2image/pdf2image.py in convert_from_path(pdf_path, dpi, output_folder, first_page, last_page, fmt, jpegopt, thread_count, userpw, ownerpw, use_cropbox, strict, transparent, single_file, output_file, poppler_path, grayscale, size, paths_only, use_pdftocairo, timeout, hide_annotations)
    266                 )
    267             else:
---> 268                 images += parse_buffer_func(data)
    269     finally:
    270         if auto_temp_dir:

/usr/local/lib/python3.10/dist-packages/pdf2image/parsers.py in parse_buffer_to_ppm(data)
     26         size_x, size_y = tuple(size.split(b" "))
     27         file_size = len(code) + len(size) + len(rgb) + 3 + int(size_x) * int(size_y) * 3
---> 28         images.append(Image.open(BytesIO(data[index : index + file_size])))
     29         index += file_size
     30 

/usr/local/lib/python3.10/dist-packages/PIL/Image.py in open(fp, mode, formats)
   3281                 raise
   3282         return None
-> 3283 
   3284     im = _open_core(fp, filename, prefix, formats)
   3285 

UnidentifiedImageError: cannot identify image file <_io.BytesIO object at 0x7820221cd290>

运行代码 #

import io
from io import BytesIO
from PIL import Image
from pdf2image import convert_from_path

pdf_list = ['path_to_pdf.pdf','path_to_pdf2.pdf']
for pdf in pdf_list:
  images = convert_from_path(pdf,first_page= 1,last_page=2)

排查与解决方法 #

1. 检查PDF文件完整性 #

• 手动打开目标PDF，确认第1-2页能正常显示，排除文件损坏、内容缺失的情况。
• 若PDF来自外部渠道，重新获取原始文件，避免传输过程中出现的文件损坏。

2. 验证poppler环境 #

pdf2image依赖poppler工具，环境变动可能引发异常：

• 在终端执行pdftoppm -v（Linux/macOS）或对应Windows命令，确认poppler能正常输出版本信息。
• 若最近更新过poppler或系统，尝试回滚到之前的稳定版本；未安装或版本异常时重新安装：
  • Linux：sudo apt-get install poppler-utils
  • macOS：brew install poppler
  • Windows：下载预编译包并配置环境变量，或在convert_from_path中通过poppler_path参数指定poppler的bin目录路径。

3. 调整convert_from_path参数 #

• 先移除first_page和last_page参数，尝试提取整个PDF，缩小问题范围。
• 指定输出格式为jpeg或png，规避默认ppm格式可能的解析问题：

  images = convert_from_path(pdf, first_page=1, last_page=2, fmt='jpeg')
  

• 增加dpi参数（如dpi=300），提升图像分辨率，解决低分辨率下的解析异常。

4. 回滚依赖库版本 #

依赖库版本更新可能引入兼容性问题：

• 执行pip show pdf2image pillow查看当前版本，回滚到之前能正常运行的版本：

  pip install pdf2image==1.16.0 pillow==9.5.0
  

5. 单文件测试 #

从pdf_list中逐个取出PDF单独测试，定位是特定文件导致的问题，还是批量处理时的异常。若为单个文件问题，可先修复该PDF或转换格式后再处理。

内容的提问来源于stack exchange，提问作者Harshal Naik