使用LangChain PyPDFLoader读取PDF在GCP函数报错，本地正常求解决

错误核心分析 #

报错信息里的invalid pdf header: b'<!doc'明确说明，代码实际读取的不是PDF文件，而是HTML内容。结合本地运行正常、GCP函数出错的场景，重点排查以下方向：

• 校验input_datapath指向的实际内容
  直接打印input_datapath对应资源的前几个字节，确认是否是PDF标准起始符%PDF-。GCP环境中常见问题：

  • 路径指向了返回HTML的URL（比如云存储文件的公开访问链接配置错误，返回登录页/错误页）
  • 本地路径逻辑和GCP函数的文件系统逻辑不一致，导致读取到非PDF资源

• 修正GCS文件的加载方式
  如果是从Google Cloud Storage读取文件，不要直接将GCS路径字符串传给PyPDFLoader，需先下载到临时目录再加载：

  from google.cloud import storage
  import tempfile
  from langchain.document_loaders import PyPDFLoader
  
  def load_pdf(bucket_name, blob_name):
      storage_client = storage.Client()
      bucket = storage_client.bucket(bucket_name)
      blob = bucket.blob(blob_name)
      
      # 创建临时文件存储PDF内容
      with tempfile.NamedTemporaryFile(suffix=".pdf", delete=False) as temp_file:
          blob.download_to_file(temp_file)
          temp_path = temp_file.name
      
      loader = PyPDFLoader(temp_path)
      pages = loader.load_and_split()
      return pages
  

  直接使用GCS路径会因协议或权限问题，导致PyPDFLoader读取到HTTP响应内容而非原始PDF。

• 确认依赖库的一致性
  即使版本相近，也要确保PyPDF2（PyPDFLoader的底层依赖）在GCP函数中正确安装。在requirements.txt明确指定版本：

  langchain==0.1.0
  PyPDF2==3.0.1
  google-cloud-storage==2.14.0
  

  不同版本的PyPDF2对PDF解析逻辑存在差异，可能引发读取错误。

• 检查PDF文件的完整性
  本地正常但GCP出错，可能是文件上传到GCS时损坏。重新上传PDF，或在GCP函数中对比文件MD5哈希值，确认云端文件和本地文件完全一致。

内容的提问来源于stack exchange，提问作者Praveen V