【基本原理】

利用PyPDF2的PdfFileReader模塊打開pdf文件，如果不拋異常，就認為此pdf文件有效。有時打開并不拋出異常，但是有這種警告：UserWarning: startxref on same line as offset [pdf.py:1680]。這種情況pdf多半也是壞的，可進一步通過頁數判斷。但walker在測試中發現，對于正常pdf文件，進一步通過頁數判斷時有時會拋出異常。

【情形一】

pdf文件在磁盤上。import traceback

from PyPDF2 import PdfFileReader

#參數為pdf文件全路徑名

def isValidPDF_pathfile(pathfile):

bValid = True

try:

#PdfFileReader(open(pathfile, 'rb'))

reader = PdfFileReader(pathfile)

if reader.getNumPages() < 1: #進一步通過頁數判斷。

bValid = False

except:

bValid = False

print('*' + traceback.format_exc())

return bValid

【情形二】

pdf是來自網絡的bytes數據。由于PdfFileReader的參數為文件名或文件對象，所以需要做一下轉換。

方法一：import traceback, tempfile

from PyPDF2 import PdfFileReader

#參數為bytes類型數據。利用臨時文件。

def isValidPDF_bytes(pdfBytes):

bValid = True

try:

fp = tempfile.TemporaryFile()

fp.write(pdfBytes)

reader = PdfFileReader(fp)

fp.close()

if reader.getNumPages() < 1: #進一步通過頁數判斷。

bValid = False

except:

bValid = False

print('*' + traceback.format_exc())

return bValid

方法二：import io, traceback

from PyPDF2 import PdfFileReader

#參數為bytes類型數據。利用BytesIO轉換。

def isValidPDF_bytes(pdfBytes):

bValid = True

try:

b = io.BytesIO(pdfBytes)

reader = PdfFileReader(b)

if reader.getNumPages() < 1: #進一步通過頁數判斷。

bValid = False

except:

bValid = False

print('*' + traceback.format_exc())

return bValid

還可以利用PDFlib判斷：import os

from PDFlib.PDFlib import PDFlib

from PDFlib.PDFlib import PDFlibException

def isValidPdf(pathfile):

p = PDFlib()

p.set_option("license=xxxxxx-xxxxxx-xxxxxx-xxxxxx-xxxxxx")

p.set_option("errorpolicy=return");

indoc = p.open_pdi_document(pathfile, 'repair=none');

print('indoc:' + str(indoc))

print('pathfile size:' + str(os.path.getsize(pathfile)) + 'B')

bValid = False

if (indoc == -1):

print('*' + p.get_errmsg())

bValid = False

else:

pageNumber = p.pcos_get_number(indoc, "length:pages")

print('pageNumber:' + str(pageNumber))

if pageNumber < 1: #頁數為0

bValid = False

else:

bValid = True

if bValid:

p.close_pdi_document(indoc)

return bValid

*** updated * 2018-12-12 ***# encoding: utf-8

# author: walker

# date: 2018-12-12

# summary: 直接用 PDF 文件內容判斷 PDF 的正確性和完整性，適用于判斷下載的 PDF

import re

def isValidPDF_pathfile(pathfile):

r"""

直接用文件內容判斷頭尾，

參數為pdf文件全路徑名

"""

content = ''

with open(pathfile, mode='rb') as f:

content = f.read()

partBegin = content[0:20]

if partBegin.find(rb'%PDF-1.') < 0:

print('Error: not find %PDF-1.')

return False

idx = content.rfind(rb'%%EOF')

if idx < 0:

print('Error: not find %%EOF')

return False

partEnd = content[(0 if idx-100 < 0 else idx-100) : idx + 5]

if not re.search(rb'startxref\s+\d+\s+%%EOF$', partEnd):

print('Error: not find startxref')

return False

return True

【相關閱讀】

*** walker ***

總結

以上是生活随笔為你收集整理的python 打开pdf文件_Python3检验pdf文件是否有效的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。