AWS Lambda循环中PyPDF2 extractText()执行异常求助

问题场景 #

通过API Gateway将PDF字节数据传入Lambda，使用PyPDF2循环提取每页文本时函数出现停滞，但本地运行正常，手动指定单页提取也能正常工作。

可能原因及解决方法 #

1. Lambda资源配置不足 #

PyPDF2处理多页或复杂布局的PDF时，会占用较多内存和CPU资源，而Lambda默认的128MB内存、3秒超时配置可能无法满足需求，导致函数因内存耗尽或超时被强制中断，表现为“停滞”。

解决：

• 调高Lambda内存配置（建议从512MB开始测试，最高可设为10GB），Lambda的CPU性能随内存提升而线性增长，能加快PDF处理速度。
• 延长超时时间（根据PDF页数/大小设置，比如30秒或更久），避免处理过程被提前终止。

2. PyPDF2版本差异或性能问题 #

本地与Lambda环境的PyPDF2版本不一致，或是该库本身在批量页面提取时存在性能瓶颈或隐性bug，导致循环处理时卡住。

解决：

• 在requirements.txt中锁定PyPDF2的具体版本（例如PyPDF2==2.12.1），确保本地与Lambda环境版本一致。
• 替换为更稳定高效的PDF处理库，比如pdfplumber——该库在文本提取精度和处理稳定性上表现更优，对复杂PDF的支持更好。示例代码见下文。

3. PDF页面存在异常 #

某一页PDF存在损坏、加密或特殊编码格式，单页测试时未覆盖到该页，循环处理时触发异常导致停滞。

解决：

• 在循环中添加错误捕获与日志输出，定位具体出错的页码和原因：

  for page_num in range(bill_pages):
      try:
          page_obj = bill_reader.pages[page_num]
          page_text = page_obj.extractText()
          bill_text.append(page_text)
          print(f"成功提取第{page_num+1}页")
      except Exception as e:
          print(f"提取第{page_num+1}页出错: {str(e)}")
          bill_text.append(f"[第{page_num+1}页提取失败: {str(e)}]")
  

• 查看Lambda的CloudWatch日志，获取详细错误堆栈，针对性修复异常PDF页面（比如用PDF工具修复损坏页面）。

替换为pdfplumber的示例代码 #

import base64
import io
import json
import pdfplumber

def lambda_handler(event, context):
    # 解析传入的PDF字节数据
    file_content = event["content"]
    decode_content = base64.b64decode(file_content)
    read_bytes = io.BytesIO(decode_content)

    # 使用pdfplumber提取文本
    bill_text = []
    with pdfplumber.open(read_bytes) as pdf:
        bill_pages = len(pdf.pages)
        print(f"PDF总页数: {bill_pages}")
        for page_num in range(bill_pages):
            try:
                page = pdf.pages[page_num]
                page_text = page.extract_text()
                bill_text.append(page_text)
                print(f"已提取第{page_num+1}页")
            except Exception as e:
                error_msg = f"第{page_num+1}页提取失败: {str(e)}"
                print(error_msg)
                bill_text.append(f"[{error_msg}]")
    bill_text = ''.join(bill_text)

    # 后续文本总结逻辑...

    return {
        'statusCode': 200,
        'body': json.dumps(bill_text)
    }

内容的提问来源于stack exchange，提问作者nichross