PyPDF2解析PDF时莫名停滞，如何排查或设置超时跳过？

一、排查第4页解析停滞的原因 #

• 用第三方工具验证PDF页有效性：
  用系统自带的命令行工具pdftotext提取第4页文本（命令：pdftotext -f 4 -l 4 yourfile.pdf output.txt），或者用Adobe Acrobat手动复制第4页内容。如果这些工具也卡顿或提取失败，说明PDF第4页本身存在结构异常（比如损坏的内容流、特殊字体嵌入问题、隐藏的异常对象等）；如果能正常提取，那就是PyPDF2对该页的兼容性问题。
• 换其他PDF解析库测试：
  尝试用PyMuPDF（fitz）或pdfplumber提取第4页，对比结果。比如用PyMuPDF的测试代码：

  import fitz
  doc = fitz.open("yourfile.pdf")
  page = doc[3]  # 第4页，索引从0开始
  print(page.get_text())
  

  如果其他库能正常提取，说明PyPDF2对该PDF的支持存在缺陷，可以考虑换库或者提交问题到PyPDF2的官方仓库。
• 启用PyPDF2调试日志：
  开启调试日志，查看解析第4页时的具体执行步骤，定位卡顿环节：

  import logging
  logging.basicConfig(level=logging.DEBUG)
  # 原解析代码...
  

  日志会输出解析过程中的细节，比如处理字体、解析内容流的进度，帮助确定卡在哪个步骤。

二、设置超时跳过异常PDF/页面 #

由于PyPDF2的extract_text()没有内置超时机制，我们可以用concurrent.futures给每页提取逻辑加超时限制，超过1分钟则跳过该页或终止整个文件的解析。

修改后的代码示例： #

from PyPDF2 import PdfReader
from concurrent.futures import ThreadPoolExecutor, TimeoutError

def extract_page_text(page):
    return page.extract_text()

doc = "yourfile.pdf"
doc_text = ""

try:
    print(doc)
    reader = PdfReader(doc)
    with ThreadPoolExecutor(max_workers=1) as executor:
        for i in range(len(reader.pages)):
            print(f"Processing page {i+1}")
            page = reader.pages[i]
            # 给单页提取设置1分钟超时
            future = executor.submit(extract_page_text, page)
            try:
                text = future.result(timeout=60)
                doc_text += text
            except TimeoutError:
                print(f"Page {i+1} extraction timed out, skipping...")
                # 可选：直接终止整个文件解析
                # break
except Exception as e:
    print(f"File failed due to error: {e}")
    doc_text = ""

说明： #

• 用ThreadPoolExecutor创建单线程池，把每页的文本提取任务提交到线程中，通过future.result(timeout=60)设置1分钟超时。
• 如果某页超时，会捕获TimeoutError，可以选择跳过该页继续处理后续内容，或者直接终止整个文件的解析（取消注释break即可）。
• 这种方法利用线程的超时机制，避免主线程被无限阻塞。

内容的提问来源于stack exchange，提问作者user3710004