检查PDF文件在Python中是否有效
我通过HTTP上载获得文件，并且需要确保它是pdf文件。 编程语言是Python，但这无关紧要。
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，但是可以防止用户意外上传其他文件。
-
尝试libmagic（bash上的“文件”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数。 如果该库能够读取一个页面计数，则它应该是有效的pdf。 问题：我不知道python的lib可以做到这一点
那么有人为lib或其他技巧找到了解决方案吗？
问题答案：
用于Python的两个最常用的PDF库是：
- pyPdf
- 报告实验室
两者都是纯python，因此应该易于安装以及跨平台。
有了pyPdf，它可能和做起来一样简单：
from pyPdf import PdfFileReader
doc = PdfFileReader(file("upload.pdf", "rb"))
这应该足够了，但是如果您要进行进一步检查，doc现在将具有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，并且在非常大的文档（尤其是具有很多交叉引用的文档）上可能会更快。但是，由于分叉新进程的系统开销等原因，在小PDF上可能会稍慢一些。
-
问题内容： 以编程方式检查PDF文件是否被完全扫描的最佳方法是什么？我确实可以使用iText和PDFBox。我可以检查pdf文件是否包含文本，并根据结果确定该文件是否为OCRed，但是此解决方案并非100％准确。我想知道是否还有另一种方法来解决这个问题。 如您所知，解决方案必须基于Java。 问题答案： 最好的选择是检查它是否包含文本，还查看它是否包含大的页面化图像或覆盖页面的大量平铺图像。如果您
-
问题内容： 在python中，是否存在检查给定文件/目录是否为符号链接的函数？例如，对于以下文件，我的包装函数应返回。 问题答案： 要确定目录条目是否为符号链接，请使用以下命令： os.path.islink（路径） 如果path引用的目录条目是符号链接，则返回True。如果不支持符号链接，则始终为False。 例如，给定：
-
问题内容： 尝试检查我要读取的文件是否存在。 问题答案： 这是另一种方法： 包装的用途和功能： p_DirName in varchar2, – schema object name p_FileName in varchar2 ) return number is l_file_loc bfile; begin l_file_loc := bfilename(upper(p_DirName),
-
问题内容： 类文件对象是Python中的对象，其行为类似于真实文件，例如具有read（）和write method（），但实现方式不同。这是鸭打字概念的实现。 优良作法是在需要文件的任何地方都允许使用类似文件的对象，以便可以使用StringIO或Socket对象代替实际文件。因此执行这样的检查很不好： 检查对象（例如方法的参数）是否为“类文件”的最佳方法是什么？ 问题答案： 除非您有特殊要求，否则
-
问题内容： 如何检查 文件 的存在？ 在模块的文档中，有方法的说明。但是，据我了解，它只检查目录的存在。而且我需要检查 文件 ！ 如何才能做到这一点？ 问题答案： 为什么不尝试打开文件？ 无论如何，经过一分钟的搜索，请尝试以下操作： 对于Node.js v0.12.x及更高版本 双方并已弃用 *编辑： 已更改： 至： 林特抱怨双重等于不是三次等于。 使用fs.stat：
-
问题内容： 我的webapp允许用户上传jar文件。但是，将jar文件上传后，它已损坏。我已经通过比较md5校验和（winmd5free）对此进行了验证。 上传的jar文件看起来“正常”和“正确” 与原始文件相比，文件大小看起来不错（在KB级别） 我可以使用7z打开上载的jar文件并查看其内容（资源和类文件），并且与原始文件相比，一切都相同 当我打开上载的jar文件（使用Notepad ++）时，