Attrap: ignore les PDF invalides

Attrap.py

@@ -26,6 +26,7 @@ from pyvirtualdisplay import Display
 from pypdf import PdfReader
 from pypdf import PdfWriter
 from pypdf.generic import NameObject, NumberObject
+from pypdf.errors import PdfStreamError
 
 import hashlib
 import smtplib
@@ -587,19 +588,22 @@ class Attrap:
             if not os.path.isfile(f'{self.data_dir}/raa/{raa.get_sha256()}.txt') and (not raa.date or (raa.date >= Attrap.get_aware_datetime(self.not_before))):
                 url = quote(raa.url, safe='/:')
                 self.download_file(raa)
-                raa.parse_metadata(self.data_dir)
-                # Lorsque la date du RAA n'est pas connue, on a dû télécharger le PDF pour récupérer la date de ses métadonnées.
-                # Donc on vérifie à nouveau ici si la date correspond à ce qu'on veut analyser
-                if (raa.date and raa.date >= Attrap.get_aware_datetime(self.not_before)):
-                    logger.info(f'Nouveau fichier : {raa.name} ({raa.date_str}). URL : {url}')
-                    self.flatten_pdf(raa)
-                    self.ocr(raa, True)
-                    raa.extract_content(self.data_dir)
-                    self.search_keywords(raa, keywords)
-                else:
-                    os.remove(f'{self.data_dir}/raa/{raa.get_sha256()}.pdf')
-                    logger.error(f'ERREUR: le RAA {raa.name} n\'a pas de date!')
-                    sys.exit(1)
+                try:
+                    raa.parse_metadata(self.data_dir)
+                    # Lorsque la date du RAA n'est pas connue, on a dû télécharger le PDF pour récupérer la date de ses métadonnées.
+                    # Donc on vérifie à nouveau ici si la date correspond à ce qu'on veut analyser
+                    if (raa.date and raa.date >= Attrap.get_aware_datetime(self.not_before)):
+                        logger.info(f'Nouveau fichier : {raa.name} ({raa.date_str}). URL : {url}')
+                        self.flatten_pdf(raa)
+                        self.ocr(raa, True)
+                        raa.extract_content(self.data_dir)
+                        self.search_keywords(raa, keywords)
+                    else:
+                        os.remove(f'{self.data_dir}/raa/{raa.get_sha256()}.pdf')
+                        logger.error(f'ERREUR: le RAA {raa.name} n\'a pas de date !')
+                        sys.exit(1)
+                except PdfStreamError as exc:
+                    logger.warning(f'ATTENTION: le RAA à l\'adresse {raa.url} n\'est pas valide ! On l\'ignore...')
 
     def get_raa(self, page_content):
         logger.error('Cette fonction doit être surchargée')