Python3检验pdf文件是否有效

【基本原理】

利用PyPDF2的PdfFileReader模块打开pdf文件，如果不抛异常，就认为此pdf文件有效。有时打开并不抛出异常，但是有这种警告：UserWarning: startxref on same line as offset [pdf.py:1680]。这种情况pdf多半也是坏的，可进一步通过页数判断。但walker在测试中发现，对于正常pdf文件，进一步通过页数判断时有时会抛出异常。

【情形一】

pdf文件在磁盘上。

import traceback
from PyPDF2 import PdfFileReader    

#参数为pdf文件全路径名
def isValidPDF_pathfile(pathfile):
    bValid = True
    try:
        #PdfFileReader(open(pathfile, 'rb'))
        reader = PdfFileReader(pathfile)
        if reader.getNumPages() < 1:    #进一步通过页数判断。
            bValid = False
    except:
        bValid = False
        print('*' + traceback.format_exc())
        
    return bValid

【情形二】
pdf是来自网络的bytes数据。由于PdfFileReader的参数为文件名或文件对象，所以需要做一下转换。

方法一：

import traceback, tempfile
from PyPDF2 import PdfFileReader    

#参数为bytes类型数据。利用临时文件。
def isValidPDF_bytes(pdfBytes):
    bValid = True
    try:
        fp = tempfile.TemporaryFile()
        fp.write(pdfBytes)
        reader = PdfFileReader(fp)
        fp.close()
        if reader.getNumPages() < 1:    #进一步通过页数判断。
            bValid = False
    except:
        bValid = False
        print('*' + traceback.format_exc())
        
    return bValid

方法二：

import io, traceback
from PyPDF2 import PdfFileReader    

#参数为bytes类型数据。利用BytesIO转换。
def isValidPDF_bytes(pdfBytes):
    bValid = True
    try:
        b = io.BytesIO(pdfBytes)
        reader = PdfFileReader(b)
        if reader.getNumPages() < 1:    #进一步通过页数判断。
            bValid = False
    except:
        bValid = False
        print('*' + traceback.format_exc())
        
    return bValid

还可以利用PDFlib判断：

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:      #页数为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 文件内容判断 PDF 的正确性和完整性，适用于判断下载的 PDF

import re

def isValidPDF_pathfile(pathfile):
    r""" 
    直接用文件内容判断头尾，
    参数为pdf文件全路径名 
    """
    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

【相关阅读】

The PdfFileReader Class

tempfile — Generate temporary files and directories

io — Core tools for working with streams