PyPDF2提取PDF内容时单文件触发IndirectObject无len()的TypeError报错咨询

核心报错逻辑 #

这个报错并非PyPDF2的随机运行异常，是特定PDF的内部结构不符合解析规则触发的可预期问题：

• PDF规范中的IndirectObject本质是跨对象引用占位符，作用是指向PDF文件内存储真实内容的数据块，它本身不承载实际业务数据，也没有实现__len__方法
• 正常合规的PDF在解析流程中，PyPDF2会自动顺着占位符的引用指向，拉取对应的真实数据对象后再执行长度计算、内容提取等操作
• 触发报错的特定PDF，一般是生成或篡改过程不符合PDF规范，出现了对象结构缺省：本该被填充真实数据的位置，直接保留了IndirectObject占位符，没有完成引用绑定。PyPDF2走到需要计算对象长度的解析步骤时，拿到的仍是未完成解引用的占位符对象，就会抛出当前的类型错误

常见触发场景 #

• 非合规的老旧扫描件生成工具导出的PDF，内部页面字典、文本流对象存在结构不规范问题
• PDF经过非标准化的压缩、简易加密工具修改，破坏了原有内部对象的引用指向关系
• 旧版本PyPDF2（3.0之前）没有针对这类畸形PDF的自动解引用兜底逻辑，无法适配缺省的结构

可落地的解决方向 #

• 将PyPDF2升级到最新稳定版，新版新增了大量畸形PDF的自动解引用兼容逻辑，可覆盖多数同类异常
• 升级后仍报错的话，将问题PDF用常规合规PDF阅读器打开后重新另存为一份新文件，另存过程会自动重建内部的畸形引用结构，完成标准格式对齐后再执行提取即可
• 解析流程中增加手动解引用兜底：拿到目标页面对象后，先调用.get_object()方法将获取到的IndirectObject解析为真实数据对象，再执行后续文本提取操作

内容的提问来源于stack exchange，提问作者Venkatesh Gandi