OCRmyPDF在paperless-ngx中处理PDF文件时出现属性错误的分析与解决

在文档管理系统paperless-ngx（版本2.14.7）中，用户尝试上传一份BSAV格式的PDF文件时遇到了OCR处理失败的问题。系统日志显示错误信息为"AttributeError: 'int' object has no attribute 'get'"，这表明在处理PDF元数据时出现了类型不匹配的问题。

问题现象

当用户上传特定格式的PDF文件时，OCR处理流程会抛出异常。错误发生在OCRmyPDF尝试读取PDF文档信息的过程中，具体是在访问文档的Creator属性时。系统期望获取一个字典对象来查询Creator字段，但实际上获取到了一个整数类型，导致无法调用get方法。

技术分析

这个错误源于PDF文档的元数据结构异常。正常情况下，PDF文档的docinfo应该是一个包含Creator、Producer等字段的字典对象。但在某些特殊情况下，特别是某些特定软件生成的PDF文件，这个结构可能被破坏或不符合标准。

OCRmyPDF在处理PDF元数据时，会先检查文档是否由PostScript转换而来（通过检查Creator字段是否以"PScript"开头）。当它尝试调用docinfo.get(Name.Creator, "")时，由于docinfo意外地变成了整数类型，而非预期的字典类型，导致了属性错误。

解决方案

这个问题已经在pikepdf库的9.5.2版本中得到修复。pikepdf是OCRmyPDF依赖的一个关键PDF处理库，负责底层PDF文件的解析和操作。新版本中增强了对异常PDF文档结构的兼容性处理。

对于遇到此问题的用户，可以采取以下解决步骤：

1. 升级pikepdf到9.5.2或更高版本
2. 确保OCRmyPDF也更新到最新版本
3. 重新尝试处理有问题的PDF文件

临时解决方案

如果暂时无法升级相关库，用户可以采用以下变通方法：

• 使用PDF打印功能重新生成文件（如用户所述，这种方法可以解决问题）
• 使用其他PDF工具先修复文件结构再上传

总结

这个案例展示了PDF处理中常见的兼容性问题。不同软件生成的PDF可能在结构上存在差异，而OCR工具需要具备足够的鲁棒性来处理这些异常情况。OCRmyPDF和pikepdf团队通过持续更新来增强对各种PDF格式的支持，建议用户保持相关库的最新版本以获得最佳兼容性。

对于文档管理系统用户而言，遇到类似OCR处理错误时，检查PDF文件结构的完整性并保持相关处理工具的更新是解决问题的有效途径。