使用pypdf读取特定PDF时遇AttributeError错误，求解决方法

问题 #

使用pypdf库提取PDF页面时，多数文件可正常处理，但某特定文件触发以下异常：

File "/home/obr01/python-venv/opencapture/lib/python3.10/site-packages/pypdf/_page.py", line 2342, in __getitem__
    len_self = len(self)
  File "/home/obr01/python-venv/opencapture/lib/python3.10/site-packages/pypdf/_page.py", line 2333, in __len__
    return self.length_function()
  File "/home/obr01/python-venv/opencapture/lib/python3.10/site-packages/pypdf/_reader.py", line 452, in _get_num_pages
    self._flatten()
  File "/home/obr01/python-venv/opencapture/lib/python3.10/site-packages/pypdf/_reader.py", line 1185, in _flatten
    pages = catalog["/Pages"].get_object()  # type: ignore
AttributeError: 'NoneType' object has no attribute 'get_object'

排查发现该文件的Reader trailer中/Pages字段值为None，执行以下代码：

pdf_reader = pypdf.PdfReader(file_path, strict=False)
print(pdf_reader.trailer['/Root']['/Pages']) 

输出结果：

Object 2178 0 not defined.
None

求处理该异常的方法。

解决方案 #

1. 提前校验PDF结构有效性 #

在尝试获取页面前，先检查/Pages字段是否存在且有效，从源头避免异常：

from pypdf import PdfReader

pdf_reader = PdfReader(file_path, strict=False)
root_catalog = pdf_reader.trailer.get('/Root')

# 确认Root目录和Pages字段均有效
if root_catalog and root_catalog.get('/Pages') is not None:
    # 正常执行页面提取逻辑
    for page in pdf_reader.pages:
        extracted_text = page.extract_text()
        # 后续处理操作
else:
    print(f"文件 {file_path} 结构异常：/Pages字段无效或缺失")

2. 捕获特定异常做降级处理 #

直接针对触发的AttributeError捕获，区分是结构异常导致的问题后，执行跳过或标记逻辑：

from pypdf import PdfReader
import traceback

try:
    pdf_reader = PdfReader(file_path, strict=False)
    # 尝试访问页面触发可能的异常
    pages = pdf_reader.pages
    # 页面处理逻辑
except AttributeError as e:
    if "'NoneType' object has no attribute 'get_object'" in str(e):
        print(f"跳过文件 {file_path}：PDF结构损坏，无法识别页面信息")
        # 可添加日志记录、文件标记等操作
    else:
        # 处理其他非结构问题导致的AttributeError
        traceback.print_exc()

3. 尝试修复损坏的PDF结构 #

这类问题多由PDF文件本身损坏或不规范导致，可尝试用pypdf自带的读写功能修复后再处理：

from pypdf import PdfReader, PdfWriter

try:
    # 读取损坏的PDF文件
    broken_reader = PdfReader(file_path, strict=False)
    writer = PdfWriter()

    # 尝试添加所有可识别的页面
    for page in broken_reader.pages:
        writer.add_page(page)
    
    # 保存修复后的文件
    fixed_file_path = f"fixed_{file_path}"
    with open(fixed_file_path, "wb") as f:
        writer.write(f)
    
    # 重新读取修复后的文件进行处理
    fixed_reader = PdfReader(fixed_file_path)
    # 后续页面提取逻辑
except Exception as e:
    print(f"修复文件 {file_path} 失败：{str(e)}")

注意：如果PDF损坏程度过高，修复可能无法成功，此时只能跳过该文件。

内容的提问来源于stack exchange，提问作者Oussama BRICH