使用Python检查PDF文件是否有效

我通过HTTP上传获得一个文件，需要确保它是pdf文件。编程语言是Python，但这不重要

我想到了以下解决方案：

检查字符串的第一个字节是否为“%PDF”。这不是一个很好的检查，但可以防止用户意外上传其他文件

尝试libmagic（bash上的“file”命令使用它）。这与（1）中的检查完全相同

获取一个lib并尝试从文件中读取页面计数。如果lib能够读取页面计数，那么它应该是有效的pdf。问题：我不知道python的lib可以做到这一点

---

那么有没有人能为lib或其他技巧找到解决方案？

如果您使用的是Linux或OS X设备，您可以使用（Xpdf的一部分，已找到）。如果您将一个非PDF文件传递给pdftotext，它肯定会对您吠叫，您可以使用commands.getstatusoutput获取输出并解析这些警告

如果您正在寻找独立于平台的解决方案，您可能可以利用

---

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）。

在项目中，如果我需要检查某个上载文件的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。当然也可以手工操作，但是如果您想检查不同的类型，file命令可能会为您提供更大的灵活性。

Python最常用的两个PDF库是：

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，但是如果您想做进一步的检查，

doc

现在将有

documentInfo（）

和

numPages（）

方法

---

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。但是，由于分叉新进程等的系统开销，小型PDF上的速度可能会稍慢。

通过valid，您的意思是它可以由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

更新2020 它看起来像是一个维护的项目（其他项目，包括下面的项目，似乎已经死了）

是另一个（被我误认为死了）

原始答案 由于显然

PyPdf

和

ReportLab

都不再可用，因此我找到的当前解决方案（截至2015年）是使用和捕获异常（并可能进行分析）

---

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

然而，我发现这个软件直到现在都很有用

祝你好运

这是一个使用的解决方案，可与pip install pdfminer一起安装。六个：

from pdfminer.high_level import extract_text

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

您还可以使用（

pip安装文件类型

）：

这两种解决方案都不理想

filetype

解决方案的问题在于它不会告诉您PDF本身是否可读。它会告诉您该文件是否为PDF，但可能是损坏的PDF

pdfminer

解决方案应仅在PDF实际可读时返回

True

。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。

+1为了简单起见。如果你只是想确定你得到的至少是一个PDF，这是一个既简单又快速的项目，这是一个没有维护的项目。那么它在生产中会稳定吗？@PranKumarSarkar:虽然我不再使用它了，但我查看了当前的软件包并更新了2020年的答案。ReportLab还活着，安装得很好-pip安装了ReportLab，今天在Python 3.8上获得了3.5.48版，没有问题。@SteveBarnes感谢更新。我更正了我的答案。这个使用pypdf的解决方案怎么样？它会不会比pdfminer的资源密集度低很多呢？因为它只是在创建一个阅读器？

from pdfminer.high_level import extract_text

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

import filetype

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