Python pyPdf:非法UTF-16代理

我有一个破坏pyPdf的pdf文件：

以下是示例脚本：

from pyPdf import PdfFileWriter, PdfFileReader

outputPdf = PdfFileWriter()

inpdf = open("test.pdf","rb")
inputPdf = PdfFileReader(inpdf)
[outputPdf.addPage(x) for x in inputPdf.pages]

with open("output.pdf","wb") as outpdf:
    outputPdf.write(outpdf)

错误输出如下：

从GitHub使用PyPDF2时，错误相同。pdftk可以像处理任何其他pdf一样处理此pdf。请注意，写作失败，但阅读似乎很好

---

你能至少告诉我pdf文件中导致错误的确切部分吗？一个解决方法会更好：）

看起来像PyPDF2中的一个bug。在：

它假设以（0xFE，0xFF）开头的任何字符串都可以解码为UTF-16。您的文件包含一个以这种方式开始的bytestring，但随后包含无效的UTF-16

---

最简单的修复方法是注释掉

if

，并无条件地使用

。
看起来像PyPDF2中的一个bug。在：

它假设以（0xFE，0xFF）开头的任何字符串都可以解码为UTF-16。您的文件包含一个以这种方式开始的bytestring，但随后包含无效的UTF-16

最简单的修复方法是注释掉
if
并无条件使用
。
分支的性能可能会受到很大影响。
我尝试下载PDF，但该服务将我从一个不需要的文件快速下载到下一个文件。好的，我将链接更改为更直接的内容。我尝试下载PDF，但该服务将我从一个不需要的文件快速转到另一个文件。好的，我将链接更改为更直接的内容。实际上，对于流之外的字符串，这种假设是可以接受的：它们有两种不同的风格，可以由BOM识别。不幸的是，此方法也用于流中的字符串，其编码遵循完全不同的规则，并由PDF字体对象确定。因此，即使在这里，一个完整的解决方案也包括为这两种情况分离代码路径。事实上，PyPDF2（1.16）的最新版本似乎试图解决这个问题：实际上，对于流之外的字符串，这种假设是可以接受的：它们有两种不同的风格，可以由BOM识别。不幸的是，此方法也用于流中的字符串，其编码遵循完全不同的规则，并由PDF字体对象确定。因此，即使在这里，完整的修复也包括分离这两种情况的代码路径。事实上，PyPDF2（1.16）的最新版本似乎试图修复此问题：
if string.startswith(codecs.BOM_UTF16_BE):
    retval = TextStringObject(string.decode("utf-16"))
    retval.autodetect_utf16 = True