python 打开pdf文件_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】
*** walker ***
python 打开pdf文件_Python3检验pdf文件是否有效相关推荐
- python3怎么创建文件_Python3.5 创建文件的简单实例
实例如下所示: #coding=utf-8 ''' Created on 2012-5-29 @author: xiaochou ''' import os import time def nsfil ...
- python3.7保存文件_Python3.7之文件操作
一.基本操作 基于字符的读取(r),写入(w)与追加(a) 1.mode='r' f = open(file='文件读取.txt', mode='r') print(f.read()) 2.mode= ...
- python3openpyxl无法打开文件_Python3 处理excel文件(openpyxl库)
openpyxl 介绍 openpyxl是一个用于读/写 XLSX/XLSM/XLTX/XLTM文件的python库.openpyxl(可读写excel表)专门处理Excel2007及以上版本产生的x ...
- python 保存数据单文件_python3.6 单文件爬虫 断点续存 普通版 文件续存方式
#导入必备的包#本文爬取的是顶点小说中的完美世界为列.文中的aa.text,bb.text为自己创建的text文件 importrequestsfrom bs4 importBeautifulSoup ...
- python获取绝对路径_python3中获取文件当前绝对路径的两种方法
方法1: import sys print(sys.argv) 得到文件当前绝对路径字符串的一个列表 ['D:/pycharm/PracticeProject/ClientServerNetworki ...
- python按行读取excel文件_python3读取excel文件只提取某些行某些列的值方法
今天有一位同学给了我一个excel文件,要求读取某些行,某些列,然后我试着做了一个demo,这里分享出来,希望能帮到大家: 首先安装xlrd: pip3 install xlrd 然后上代码: imp ...
- python3.6怎么保存_python 保存数据单文件_python3.6 单文件爬虫 断点续存 普通版 文件续存方式...
#导入必备的包#本文爬取的是顶点小说中的完美世界为列.文中的aa.text,bb.text为自己创建的text文件 importrequestsfrom bs4 importBeautifulSoup ...
- python3.7读取csv文件_Python3 读取csv文件
使用pandas 读取csv文件前几行数据 文件内容如下: 先读取标题: importpandas as pd path= r'C:\Users\dhw\Desktop\work\term paper ...
- python打开谷歌浏览器 关键字_python3之selenium.webdriver 库练习自动化谷歌浏览器打开百度自动百度关键字...
import os,time,threading from selenium import webdriver from selenium.webdriver.common.keys import K ...
最新文章
- 彻底理解js中this
- 手把手教你 MongoDB 的安装与详细使用(二)
- Ubuntu 14.04.1 安装 python mysqldb
- 计算机中iis6.0配置步骤,Win2003 IIS6.0 安装方法 图文详细教程
- poj 2392 Space Elevator
- 【html+css练习】小白使用html+css模拟音乐播放器构造了网页音乐播放器--1
- html5简单动画效果代码,分享12个简洁漂亮的纯CSS3进度条特效动画代码
- POJ--2488 A Knight's Journeyb
- 维监控利器Nagios:概念、结构和功能
- 前端复习之JavaScript基础
- 【转】glTexImage2D()和gluBuild2DMipmaps() [将载入的位图文件(*.bmp)转换成纹理贴图]+glTexParameteri()纹理过滤函数...
- 怎样去构建一个优质的Docker容器镜像
- [转]CString类型的头文件、CString的输出、CString的常用用法
- 我对hibernate的对象的3种状态的理解
- mysql sql语句执行到一半会怎么样?
- 前端如何使用微信支付
- QA:filter-CIC滤波器参数设计
- 【无标题】免费源码资源,游戏源码下载
- R7 4800U对比R5 4600U性能差距
- halcon裁剪图像_【Halcon】Halcon学习之七:改变图像的现实方式和大小