有没有办法使用 Node.js 使 PDF 不仅可以被 Chrome/Acrobat 访问？

Question

我正在从可以在 Google Chrome 和 Adobe Acrobat 中打开的网站上抓取 PDF 附件，但如果我尝试使用 Mac 的“预览”应用程序打开文件，或者将 PDF 传递给下游服务，则会失败打开。

PDF 本身并没有“损坏”，因为我可以在 Chrome 中手动打开 PDF，打印为 PDF，然后根据需要在预览或其他位置打开它。 问题是，我没有任何自动化方法可以使这些 PDF 在我的应用程序中可用。我当前的想法是在本地下载该文件，使用 Puppeteer 或 Playwright 打开它，手动打印为 PDF，然后从那里使用它。我不太喜欢这种方法，因为它很慢而且容易出错。

有谁知道有哪些 Node.js 库可以让我“修复”这些 PDF？我不太确定 Chrome/Acrobat 的做法有何不同，但我希望有一种方法可以去除导致这些 PDF 不兼容的任何内容。

可以在

此处

找到 PDF 示例。

Answer 1

已损坏。 为了找出到底出了什么问题，我还下载了

原始文件

。该文件没有显示相同的错误，它短了 7 个字节，其中的偏移量和长度是正确的。 将您的文件与原始文件进行比较，发现您的文件中的 RDF 元数据已被操纵：

如您所见，其中的字符串“http”已被“https”替换。这个替换在很多方面都是错误的：

首先，如果您更改 XMP 元数据范围内的 RDF 元数据，则您的更改不得触及

xpacket begin

...

xpacket end

范围之外的字节。但在您的情况下，范围的末尾以及此后的所有内容都已移动了七个字节，从而使那里的材料无效。此外，更改本身是无意义的：将命名空间 URL 中的“http”更改为“https”不会使任何内容变得更安全，反而可能会阻止查找，从而损坏 XML。而将

pdfx:_dlc_DocIdUrl

中的“https://”更改为“httpss://”显然是无稽之谈。

因此，您首先应该找出抓取过程（或其某些后处理）中的哪些内容会损坏元数据，然后将其关闭。

我必须更改上面的建议：显然（请参阅下面我的评论）您只有在请求和查看（可能包括 JavaScript 操作）带有下载链接的页面后不久才能获得有效的 PDF。

---

因此，看来您无法真正改进您的抓取工具，该网络服务器上发生了一些奇怪的事情。