ValueError: cannot reshape array of size X into shape (Y,Z,newaxis)`. This affects multiple PDF files and has been reported since v0.5.7 (issues #4457, #6085, #8856, #10913, #11333, #25979; di

快速结论：该报错发生在 Open WebUI 开启「PDF Extract Images (OCR)」后上传特定 PDF 时，OCR 图像提取路径调用 langchain_community 的 PyPDFLoader.extract_images_from_page()，因图像字节数与声明尺寸不匹配而 reshape 失败。优先排查 PDF 图片是否使用了复合 /Filter 数组（如 [DCTDecode, ASCII85Decode]）或为无 Filter 的原始像素数据。

适用环境：Issue 已确认环境为 Docker 安装的 Open WebUI v0.11.1，Python 3.11（路径 /usr/local/lib/python3.11/site-packages）；崩溃发生在后端 open_webui.routers.retrieval → langchain_community.document_loaders.parsers.pdf。Issue 未提供 CUDA、显卡或 PyTorch 版本信息。

最快修复方案：暂无确认的一步修复方案。Issue 作者确认修复已合入 dev 分支（PR #29251），可切换到 dev 版本验证；在稳定版上可先在 Admin Settings > Documents 关闭「PDF Extract Images (OCR)」，或对扫描件先用 OCRmyPDF 添加文本层后再上传。

注意事项：关闭 OCR 会丢失图像内文字的提取能力，只保留文本层；OCRmyPDF 预处理对纯图片型 PDF 有效，但会增加上传前处理步骤。Issue 中提出的「复合 Filter 取首个可识别 filter、字节数校验后跳过异常图片」属于对 extract_images_from_page() 的代码层修补，langchain-community 已 sunset 不再接受补丁，因此修复需落在 Open WebUI 侧。

问题场景

在 Docker 部署的 Open WebUI v0.11.1 中，于 Admin Settings > Documents 启用「PDF Extract Images (OCR)」，上传包含复合 Filter 图片或原始像素数据图片的 PDF（如扫描件、图文混合 PDF）时，文件处理失败，界面提示「Failed to add file」，后端 OCR 图像提取流程崩溃。

报错原文

ERROR [open_webui.routers.retrieval] cannot reshape array of size 11609 into shape (2954,3753,newaxis)
Traceback (most recent call last):
  File "/app/backend/open_webui/routers/retrieval.py", line 884, in process_file
    docs = loader.load()
  ...
  File "/usr/local/lib/python3.11/site-packages/langchain_community/document_loaders/parsers/pdf.py", line 147, in _extract_images_from_page
    np.frombuffer(xObject[obj].get_data(), dtype=np.uint8).reshape(width, height, newaxis)
ValueError: cannot reshape array of size 11609 into shape (2954,3753,newaxis)

原因分析

报错位于 langchain_community.document_loaders.parsers.pdf.PyPDFLoader.extract_images_from_page() 第 147 行，Issue 指出存在两种失败模式：

复合 Filter：图片的 /Filter 是数组（例如 [DCTDecode, ASCII85Decode]），代码却按单个 NameObject 处理，xObject[obj]["/Filter"][0] 取到数组首元素后，[1:] 又错误地剥掉前导 /，最终得到无效 filter 名称。
原始像素数据：图片没有 Filter（原始像素）时，字节数不匹配 width * height * 1（示例中为 11609 对 2954×3753=11,087,342），数据可能包含 padding、stride 对齐，或属于不同色彩空间，导致 reshape 失败。

该问题自 v0.5.7 起被多次报告（#4457、#6085、#8856、#10913、#11333、#25979，讨论 #8877），说明是长期存在、跨版本的 PDF 图像提取缺陷，而非单次偶发。

环境排查

Open WebUI 版本：确认是否仍为受影响版本（Issue 确认于 v0.11.1）；dev 分支已通过 PR #29251 修复。
安装方式：Docker（Issue 已确认）。
Python 版本：确认是否为 Issue 中的 3.11（路径示例 /usr/local/lib/python3.11/site-packages）。
langchain_community 版本：确认 langchain_community/document_loaders/parsers/pdf.py 第 147 行附近是否为未修补的 reshape 逻辑。
文档设置：确认 Admin Settings > Documents 中「PDF Extract Images (OCR)」是否开启。
触发文件：确认上传的 PDF 是否包含复合 /Filter 图片或无 Filter 的原始像素图片（可用 PDF 结构查看工具检查 /Filter 项）。
Issue 未提供 CUDA、显卡、PyTorch 版本证据，这些项目无需纳入排查。

解决步骤

复现并确认日志：开启「PDF Extract Images (OCR)」后上传问题 PDF，检查后端日志是否出现与上文一致的 cannot reshape array of size ... into shape (...) 及 pdf.py 第 147 行堆栈。
临时规避（可优先尝试）：在 Admin Settings > Documents 关闭「PDF Extract Images (OCR)」，使上传走纯文本抽取路径。
针对扫描件（可优先尝试）：在上传前用 OCRmyPDF 等工具为 PDF 添加文本层，再上传，使文本抽取不依赖图像提取路径。
若可接受开发版：切换到已合入 PR #29251 的 dev 分支版本，验证复合 /Filter 数组与原始像素数据场景是否不再触发崩溃。
若需自行修补：参照 Issue 提出的思路，在 extract_images_from_page() 中为复合 Filter 取首个可识别 filter、在 reshape 前校验字节数并在不匹配时记录警告并跳过该图片，同时捕获单张图片 OCR 异常以避免整个文档失败。注意这是 Issue 提出的修复方向，需自行验证。

验证方法

重新上传之前触发崩溃的 PDF：若后端日志不再出现 ValueError: cannot reshape array of size ... into shape (...)，文件成功入库且不再提示「Failed to add file」，即视为该问题已规避或修复。若使用 dev 版本或自行修补，建议同时用扫描件、图文混合 PDF 和含复合 Filter 图片的 PDF 各测一份，确认文档可正常上传且异常图片被跳过而非中断整个处理流程。