ARTICLE · 1175668
2python之pdf解析bug追踪及lsof命令使用
写在前面的话
告个段落。昨天，正在搞项目，一个舅转来7000块钱，没有说话，我发了句：感谢舅还钱，如果不是因为买房，我也不会催舅，上次要钱有不对的地方，请舅原谅。舅还是没说话，上个月还了3000，这个月7000，正好还完。又过了几分钟，舅说：你能借舅钱，舅表示感谢，给你带来的麻烦，体谅一下。我好久没给你妈通话了，让我给你妈说说话吧。我赶紧回复说：我还在公司，等晚上回去我给你视频。我又说了一些请求原谅的话，舅始终不再回复。我知道，因为要钱这件事，彻底把舅得罪了，但该面对的总要面对，晚上回去，我给老妈说了这个事，再次强调，因为在天津买房才要的，舅是实在亲戚，不到万不得一不会要的。老妈说：不打了，你不给我一点脸，钱也要回来了，我能说啥，再者来说，你舅家闺女生孩子，你不替我拿钱，我当姑的还怎么说，还怎么和你舅通话。这个事情先这样，告个段落，因为要钱的事，让老妈没面子，让舅为难，归根到底还是我无能导致的，如果我有钱，会不会好一点呢。
[79+200]--------底部有张生活照片
【关键词】python、ragflow、pdf解析、lsof命令
一、pdf解析bug追踪（三级）
描述：现在pdf解析，遇到一个问题，一直追踪不到，接着处理。
开工：
第一步：pid追踪（四级）
20250818周一时间段：18:35-19:00提问如下：
怎么通过以下进进程信息，看python执行的是哪个程序，python进程信息如下： PID USER PR NI VIRT RES SHR S %CPU %MEM TIME+ COMMAND 1839 admin 20 0 1858120 269080 69312 S 4.3 0.4 43:02.05 python3.11
方案如下：
要从给定的进程信息中确定 Python 正在执行的程序，可以按照以下步骤操作：
1. 查看进程的完整命令行
使用 ps 命令查看该进程的完整命令行参数：
ps -f -p 1839或者：
ps aux | grep 1839这会显示类似如下的输出：
text
UID PID PPID C STIME TTY STAT TIME CMDadmin 1839 1 4 Aug15 ? Sl 43:02 python3.11 /path/to/your_script.py
如果 Python 正在运行脚本，
CMD列会显示python3.11 your_script.py或类似内容。如果 Python 是交互式运行（如 REPL 或 Jupyter），可能只显示
python3.11。
2. 检查进程的工作目录和可执行文件
进入 /proc 目录查看进程信息：
bash
ls -l /proc/1839/exe # 查看 Python 解释器的路径ls -l /proc/1839/cwd # 查看进程的工作目录cat /proc/1839/cmdline # 查看完整的命令行参数（以 \0 分隔）
cmdline文件会显示 Python 启动时的完整命令，如：text
python3.11\0/path/to/your_script.py\0--arg1\0value1\0
3. 检查环境变量（如有必要）
如果需要查看进程的环境变量：
bash
cat /proc/1839/environ | tr '\0' '\n'某些 Python 程序（如 Flask、Django）可能会通过环境变量（如 FLASK_APP）指定入口文件。
4. 使用 lsof 查看打开的文件
bash
lsof -p 1839这会列出该进程打开的所有文件，包括：
当前执行的
.py文件。导入的模块（在
site-packages或本地目录中）。数据文件或套接字。
5. 常见情况分析
直接运行脚本：
COMMAND列会显示python3.11 your_script.py。模块方式运行（如
python -m module）：会显示python3.11 -m module_name。交互式 Shell/REPL：仅显示
python3.11。Web 服务（如 Gunicorn、uWSGI）：可能显示
python3.11 app:app或类似格式。
示例输出解读
根据你提供的进程信息：
text
1839 admin ... python3.11如果 COMMAND 列仅显示 python3.11，可能是：
交互式 Python Shell。
通过
exec或fork动态加载的进程（如某些守护进程）。通过
python -c "code"直接执行的代码片段。
进一步确认
如果上述方法仍无法确定，可以尝试：
bash
sudo grep -a "Traceback" /proc/1839/fd/* 2>/dev/null # 检查是否有错误日志sudo strace -p 1839 -s 1024 # 动态跟踪系统调用（谨慎使用）
第二步：总结(四级)
最直接的方法是：
bash
cat /proc/1839/cmdline | tr '\0' ' '这会显示完整的 Python 启动命令，包括脚本路径或模块名。
二、扫码聊天问题（三级）
描述：现在扫码聊天进行不了，需要处理一下。
开工：
第一步：扫码聊天（四级）
20250819周二时间段：11:19-12:00这个出问题，是由于欠费导致的，已反馈龙哥，先这样，截图如下：
图2b-1
注：充完值后就好了。接下来，看下缩略图不显示的问题。
第二步：缩略图不显示（四级）
20250819周二时间段：14:35-16:00不显示截图如下：
图2b-2
注：这个主要是链接地址需要加api，加完api，可以正常访问，如下：
2b-3
注：获取链接的程序如下：
https://api.ai.epet.com/v1/document/list?kb_id=bf5b0a6eff1211ef94e1acde48001122&keywords=&page_size=10&page=1程序如下：
@manager.route('/list', methods=['GET']) # noqa: F821@login_requireddef list_docs(): kb_id = request.args.get("kb_id") if not kb_id: return get_json_result( data=False, message='Lack of "KB ID"', code=RetCode.ARGUMENT_ERROR) tenants = UserTenantService.query(user_id=current_user.id) for tenant in tenants: if KnowledgebaseService.query( tenant_id=tenant.tenant_id, id=kb_id): break else: return get_json_result( data=False, message='Only owner of knowledgebase authorized for this operation.', code=RetCode.OPERATING_ERROR) keywords = request.args.get("keywords", "") page_number = int(request.args.get("page", 1)) items_per_page = int(request.args.get("page_size", 15)) orderby = request.args.get("orderby", "create_time") desc = request.args.get("desc", True) try: docs, tol = DocumentService.get_by_kb_id( kb_id, page_number, items_per_page, orderby, desc, keywords) for doc_item in docs: if doc_item['thumbnail'] and not doc_item['thumbnail'].startswith(IMG_BASE64_PREFIX): doc_item['thumbnail'] = f"/v1/document/image/{kb_id}-{doc_item['thumbnail']}" return get_json_result(data={"total": tol, "docs": docs}) except Exception as e: return server_error_response(e)
注：对上述代码进行修改，如下：
host_url_arr = get_host_url_arr(request) log.info(f"host_url: {host_url_arr}") for doc_item in docs: log.info(f"Updated thumbnail URL1: {doc_item['thumbnail']}") if doc_item['thumbnail'] and not doc_item['thumbnail'].startswith(IMG_BASE64_PREFIX): doc_item['thumbnail'] = f"/v1/document/image/{kb_id}-{doc_item['thumbnail']}" if 'pet.bitzero.cn' in host_url_arr['netloc'] or 'ai.epet.com' in host_url_arr['netloc']: doc_item['thumbnail'] = f"{host_url_arr['scheme']}://api.{host_url_arr['netloc']}{doc_item['thumbnail']}" log.info(f"Updated thumbnail URL2: {doc_item['thumbnail']}")
注：这个主要是加api，接下来，进行上线测试 。
第三步：测试缩略图（四级）
20250819周二时间段：15:22-16:00测试了一下，效果还可以，截图如下：
图2b-4
注：这个有一点需要注意的是获取的url前面就带api.，所以不需要额外加的，修改代码如下：
docs, tol = DocumentService.get_by_kb_id( kb_id, page_number, items_per_page, orderby, desc, keywords) host_url = get_host_url(request) log.info(f"host_url: {host_url}") for doc_item in docs: # log.info(f"Updated thumbnail URL1: {doc_item['thumbnail']}") if doc_item['thumbnail'] and not doc_item['thumbnail'].startswith(IMG_BASE64_PREFIX): doc_item['thumbnail'] = f"{host_url}/v1/document/image/{kb_id}-{doc_item['thumbnail']}" if 'pet.bitzero.cn' in host_url or 'ai.epet.com' in host_url: doc_item['thumbnail'] = f"{host_url}{doc_item['thumbnail']}" # log.info(f"Updated thumbnail URL2: {doc_item['thumbnail']}") return get_json_result(data={"total": tol, "docs": docs})
注：这样一来就完美并且优雅了。
三、生活照片
拍摄于2025年11月4日，9:05:08，老妈在家里做饭时拍的。今天回来，走在路上，我在想，为啥穷人借不到钱呢？向亲戚借不到，向陌生人更借不到。因为人家有，也可能不借，怕后期要钱麻烦，亲戚之间，后期要钱，要考虑很多，承受很大的心理压力。最终的结果很可能是钱要回来了，亲戚也断了，或者是钱压根要不回来，是自己亲戚，不可能去告他。就拿我舅来说，他如果坚持不还钱，我也没办法，我如果起诉，我妈这一关我就过不去。人和人的觉悟是不一样的，就拿舅妈来说，我生两个孩子她都没表示，她女儿生个孩子第一时间通知我，我没拿钱，让我妈很难堪；我如果拿了这个钱，我媳妇指定给我墨迹。通知我这个事，纯纯给我添麻烦啊。
图2c-1
《本文完》
