<class 'UnicodeDecodeError'> returned a result with an error set

[qq774724635]

环境：python 3.7，pip 22.1.2，pdf2docx 0.5.4，PyMuPDF 1.20.0，python-docx 0.8.11

步骤代码：

报错情况：

[qq774724635]

再上传一部分截图吧

[dothinking]

这个报错截图看不出问题，请把报错记录中显示原始出错位置的部分截图看看。

[qq774724635]

目前看来应该是pdf格式的问题，我的pdf格式为ASNI，转换成utf-8是可以的，但是转换为已经没有内容了

[qq774724635]

[dothinking]

问题的源头是倒数第四行：get_texttrace()，这是上游的一个处理PDF的库PyMuPDF的方法，已经超出我能控制的范围了。

https://pymupdf.readthedocs.io/en/latest/functions.html#Page.get_texttrace

[dothinking]

目前看来应该是pdf格式的问题，我的pdf格式为ASNI，转换成utf-8是可以的，但是转换为已经没有内容了

pdf格式为ASNI怎么理解，你是如何转换成utf-8的？

[ranger2001]

遇到类似问题，是一个msoffice2007创建的pdf文件。

[dothinking]

遇到类似问题，是一个msoffice2007创建的pdf文件。

不知是否方便上传或者发我邮箱你的pdf以便查找原因？感谢。

[ddzzhen]

这个问题看起来与我的很相似，似乎是编码问题，无法执行get_texttrace函数 #155

[ranger2001]

遇到类似问题，是一个msoffice2007创建的pdf文件。

不知是否方便上传或者发我邮箱你的pdf以便查找原因？感谢。 刚看到，希望有帮助。 2.PDF

[dothinking]

@ranger2001 感谢提供测试文件。

可以确定是 get_texttrace() 的问题，这是上游处理PDF的库 PyMuPDF 提供的方法，而它又是对上上游MuPDF相应函数的封装。彻底解决这个问题只有等他们官方修复，周期会比较长。

临时地，可以采用try-except的方式忽略这个错误。例如，找到 RawPageFitz.py 第70行（...\site-packages\pdf2docx\page\RawPageFitz.py）：

try:
    spans = self.page_engine.get_texttrace()
except SystemError:
    # logging.warning('Ignore hidden text checking due to UnicodeDecodeError in upstream library.')
    spans = []

[dothinking]

pdf2docx用get_texttrace() 来检测隐藏的文本，然后根据需要是否输出到转化后的docx。例如，一些扫描的PDF书籍尤其是年代较远的文献，在扫描的图片层后面隐藏着一个OCR的文本层，方便文字复制和搜索。此时，可以通过设置参数ocr=0或者ocr=1来选择只输出图片或者只输出文本到docx（避免图片和文本的重叠），参考 #132 。

综合来看，绝大多数情况下都不需要考虑隐藏文本的问题，并且get_texttrace() 仅仅是对某些中文字体可能有问题，因此以上临时修复适用于绝大多数情况。