使用pypdf捕获EOF marker not found警告时程序卡顿问题求助

问题根源 #

你遇到的卡顿是因为pypdf在解析严重损坏的PDF时，可能会陷入长时间的解析循环或重试逻辑，导致warnings.catch_warnings还没来得及处理警告，程序就被卡住。同时，直接捕获警告的方式无法提前终止无效的解析过程。

解决方案 #

1. 将特定警告转为异常 #

直接通过警告过滤器，把pypdf的PdfReadWarning（包含EOF标记缺失的警告）转为异常，避免后续处理模糊的警告信息：

import warnings
from pypdf import PdfReader
from pypdf._reader import PdfReadWarning

# 把PdfReadWarning类型的警告直接转为异常
warnings.simplefilter("error", category=PdfReadWarning)

2. 给PDF解析添加超时限制 #

用线程+超时机制，强制终止长时间卡顿的解析过程，确保程序能继续执行后续的错误处理和表格更新逻辑：

import threading

def parse_pdf_safely(pdf_path, timeout=5):
    """带超时的PDF解析函数，返回解析结果或错误信息"""
    result = {
        "success": False,
        "pdf_instance": None,
        "error_msg": ""
    }

    def _parse_task():
        try:
            with open(pdf_path, "rb") as f:
                result["pdf_instance"] = PdfReader(f)
            result["success"] = True
        except Exception as e:
            result["error_msg"] = str(e)

    # 启动子线程执行解析
    parse_thread = threading.Thread(target=_parse_task)
    parse_thread.start()
    # 等待指定时间，超时则终止等待
    parse_thread.join(timeout)

    if parse_thread.is_alive():
        # 解析超时，标记为损坏文件
        result["error_msg"] = f"PDF解析超时（{timeout}秒），疑似文件损坏或格式不规范"
    
    return result

3. 提前过滤明显损坏的PDF（可选） #

对于手动都打不开的PDF，可先做简单的文件头/尾校验，提前过滤掉无效文件，减少不必要的解析卡顿：

def check_pdf_basic_validity(pdf_path):
    """检查PDF文件的基本合法性"""
    try:
        with open(pdf_path, "rb") as f:
            # 校验PDF文件头
            if f.read(4) != b"%PDF":
                return False, "文件头无效，不是标准PDF"
            # 校验EOF标记（允许末尾有换行）
            f.seek(-15, 2)
            content = f.read().decode("utf-8", errors="ignore")
            if "%%EOF" not in content:
                return False, "缺失EOF标记，文件不完整"
        return True, ""
    except Exception as e:
        return False, f"文件读取失败：{str(e)}"

4. 整合逻辑并更新表格 #

把上述函数整合，处理PDF并更新表格：

input_pdf_path = "目标PDF文件路径"

# 先做基础校验
is_valid, check_msg = check_pdf_basic_validity(input_pdf_path)
if not is_valid:
    # 更新表格：记录文件名和错误信息
    print(f"更新表格：文件{input_pdf_path} - 错误：{check_msg}")
else:
    # 带超时解析PDF
    parse_result = parse_pdf_safely(input_pdf_path)
    if parse_result["success"]:
        # 正常处理PDF逻辑
        input_pdf = parse_result["pdf_instance"]
        # ... 你的后续处理代码
    else:
        # 更新表格：记录解析错误
        print(f"更新表格：文件{input_pdf_path} - 错误：{parse_result['error_msg']}")

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