Apache Pdf Box处理多PDF时部分文件页数返回0，重试恢复正常

以下是导致该问题的几种常见原因：

• 文件未完全写入/IO竞争：如果目标PDF文件正处于生成、复制或其他进程写入的状态，此时PDDocument.load读取的是不完整的文件，PDF结构未初始化完成，会返回0页。重试时文件已写入完毕，就能正常解析。
• PDFBox资源或缓存冲突：Apache PDFBox在快速批量加载文件时，可能出现底层文件句柄未及时释放、缓存未同步的情况，导致第一次读取失败。重试时资源已释放，解析恢复正常。
• 不规范的PDF文件结构：部分PDF存在格式瑕疵（比如交叉引用表损坏、页面对象标记异常），第一次加载时PDFBox无法正确识别结构，但第二次加载时内部的修复逻辑（或缓存机制）能正确解析页数。
• 文件系统缓存延迟：如果文件存储在网络共享盘、外部移动存储上，可能存在文件系统缓存同步延迟，第一次读取时获取的是不完整数据，第二次读取时缓存同步完成，即可正常识别页数。

可以给方法增加重试逻辑，同时先校验文件的可读取状态，避免读取不完整的文件：

public static int getPageCount(Path file) throws IOException {
    int retryCount = 3;
    int pageCount = 0;
    while (retryCount-- > 0) {
        if (!Files.isReadable(file) || Files.size(file) == 0) {
            try {
                Thread.sleep(100);
                continue;
            } catch (InterruptedException e) {
                Thread.currentThread().interrupt();
                throw new IOException("Interrupted while waiting for file", e);
            }
        }
        try (PDDocument document = PDDocument.load(file.toFile())) {
            pageCount = document.getNumberOfPages();
            break;
        } catch (IOException e) {
            if (retryCount == 0) {
                throw e;
            }
            try {
                Thread.sleep(100);
            } catch (InterruptedException ie) {
                Thread.currentThread().interrupt();
                throw new IOException("Interrupted during retry", ie);
            }
        }
    }
    return pageCount;
}

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