使用pypdf处理PDF遇加密算法不支持报错 如何跳过受密码保护文件

加密限制说明 #

当前你遇到的NotImplementedError是PyPDF2库的固有功能限制：该库仅支持版本为1、2的旧版PDF加密算法，现在多数新型加密PDF（如采用AES-256加密的V4/V5版本PDF）无法使用空密码解密。在无正确密码的前提下，没有合规、稳定的加密绕过方案，破解加密PDF不符合版权相关规定，不建议尝试。

代码修改方案（异常捕获返回指定标识） #

你可以通过增加异常捕获逻辑，实现解密失败时返回"encrypted"、不中断批量处理的效果，修改后的完整代码如下：

import requests
from io import BytesIO
from PyPDF2 import PdfFileReader

def getResponse(url):
    try:
        response = requests.get(url, timeout=10) # 增加超时避免长时间卡住
        # 校验响应状态码和内容类型，避免非PDF内容进入后续处理
        if response.status_code == 200 and 'application/pdf' in response.headers.get('Content-Type', ''):
            return response
        return None
    except:
        return None

def getNumberOfPages(response):
    # 先判断响应是否为空
    if not response:
        return "request_failed"
    try:
        with BytesIO(response.content) as open_pdf_file:
            read_pdf = PdfFileReader(open_pdf_file)
            if read_pdf.isEncrypted:
                # 尝试空密码解密，失败直接抛出异常到外层捕获
                read_pdf.decrypt("")
            num_pages = read_pdf.getNumPages()
            return num_pages
    except NotImplementedError:
        # 匹配不支持加密算法的报错
        return "encrypted"
    except Exception as e:
        # 其他加密相关报错、PDF格式无效等情况，可根据需求调整返回值
        if "encrypt" in str(e).lower() or "decrypt" in str(e).lower():
            return "encrypted"
        return "invalid_pdf"
    
def checkPDFs(pdfLinks):
    pdfDetails = {}
    for link in pdfLinks:
        pdfDetails[link] = {}
        response = getResponse(link)
        pdfDetails[link]["numberOfPages"] = getNumberOfPages(response)
        #pdfDetails[link]["creationDate"] = getDocumentInfo(response)
    print("PDF details", pdfDetails)
    return pdfDetails

核心修改点 #

• 优化了getResponse函数，增加超时判断和响应校验，避免非PDF内容、请求失败的情况进入后续处理
• 给getNumberOfPages增加了多层异常捕获，对不支持的加密算法、解密失败的场景统一返回"encrypted"
• 对请求失败、PDF格式无效的场景也增加了对应返回标识，方便后续统计处理

内容的提问来源于stack exchange，提问作者x89