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。    

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

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

参考文档：

1、The PdfFileReader Class

2、tempfile — Generate temporary files and directories

3、io — Core tools for working with streams

*** walker ***

本文转自walker snapshot博客51CTO博客，原文链接http://blog.51cto.com/walkerqt/1683680如需转载请自行联系原作者

RQSLT