检查PDF文件是否有效(Python)

更新2020

看起来像 pdfminer.six

ReportLab 是另一个(被我误认为死了)

原始答案

显然两者都不是 PyPdf 也没有 ReportLab PyPDF2 getDocumentInfo() )

import PyPDF2

with open("testfile.txt", "w") as f:
    f.write("hello world!")

try:
    PyPDF2.PdfFileReader(open("testfile.txt", "rb"))
except PyPDF2.utils.PdfReadError:
    print("invalid PDF file")
else:
    pass

在一个项目中,如果我需要检查一些上传文件的mime类型。我只是像这样使用file命令:

from subprocess import Popen, PIPE
filetype = Popen("/usr/bin/file -b --mime -", shell=True, stdout=PIPE, stdin=PIPE).communicate(file.read(1024))[0].strip()

当然,您可能希望将实际命令移动到某个配置文件中,因为命令行选项在不同的操作系统(例如mac)中也有所不同。

如果您只需要知道它是否是PDF,并且不需要处理它,我认为file命令是一个比lib更快的解决方案。当然,手工操作也是可能的,但是如果您想检查不同的类型,file命令可能会给您更大的灵活性。

• pyPdf
• ReportLab

两者都是纯python的,因此应该易于安装,并且是跨平台的。

使用pyPdf,它可能与执行以下操作一样简单:

from pyPdf import PdfFileReader
doc = PdfFileReader(file("upload.pdf", "rb"))

这应该足够了,但是 doc 现在有了 documentInfo() 和 numPages() 方法,如果要进行进一步检查。

正如Carl回答的那样,pdftotext也是一个很好的解决方案,在非常大的文档上(特别是有许多交叉引用的文档)可能会更快。然而,由于分叉新进程等的系统开销,在小型PDF上可能会稍微慢一点。

如果您使用的是Linux或OS X设备,则可以使用 Pdftotext (Xpdf的一部分,发现 here )。如果您将一个非PDF文件传递给pdftotext,它肯定会对您咆哮,您可以使用commands.getstatusoutput获取输出并对其进行分析以获得这些警告。

如果您正在寻找独立于平台的解决方案,您可能可以利用 pyPdf .

编辑: 这并不优雅,但如果您尝试加载非PDF,pyPdf的PdfileReader似乎会抛出IOError(22)。

下面是一个使用 pdfminersix ,可与一起安装 pip install pdfminer.six :

from pdfminer.high_level import extract_text

def is_pdf(path_to_file):
    try:
        extract_text(path_to_file)
        return True
    except:
        return False

你也可以使用 filetype pip install filetype

import filetype

def is_pdf(path_to_file):
    return filetype.guess(path_to_file).mime == 'application/pdf'

这两种解决方案都不理想。

1. filetype 解决方案是,它不会告诉您PDF本身是否正确 可读的 或者不是。它会告诉您该文件是否为PDF,但可能是损坏的PDF。
2. 这个 pdfminer True 如果PDF文件确实可读。但它是一个很大的库,对于这样一个简单的函数来说似乎有些过分了。

我又开始了另一个 thread here 询问如何在不使用库(或使用较小的库)的情况下检查文件是否为有效的PDF。

“有效”是指它可以由PDF查看器显示,还是可以提取文本?它们是两种截然不同的东西。

如果您只想检查它是否真的是一个已上载的PDF文件,那么pyPDF解决方案或类似的解决方案将起作用。

但是,如果您想检查文本是否可以提取,那么您已经发现了整个痛苦世界!使用pdftotext将是一个简单的解决方案,在大多数情况下都能奏效,但它绝不是100%成功的。我们发现了许多PDF示例,pdftotext无法从中提取,但Java库(如iText和PDFBox)可以提取。

我遇到了同样的问题,但没有被迫使用编程语言来管理此任务。我使用pyPDF,但对我来说效率不高,因为它无限地挂在一些损坏的文件上。

祝你好运。

https://sourceforge.net/projects/corruptedpdfinder/