为何PDF无保存错误却处理异常？PyPDF2读取报错排查

你遇到的问题其实很常见——用requests直接下载的PDF虽然能被Adobe打开，但因为文件末尾附带了额外的非PDF数据，导致严格遵循PDF规范的PyPDF2解析时找不到正确的%%EOF结束标记，从而报错。

为什么会出现这种情况？ #

很多动态生成文件的服务器（比如你这个用ImageHandler.ashx返回PDF的服务），在返回响应时可能会额外附加一些日志信息、调试内容或者响应尾部的冗余字节。浏览器打开PDF时会自动忽略这些非标准内容，但像PyPDF2这类解析库是严格按照PDF格式校验的，所以会触发PdfReadError。

你可以验证一下：用Sublime这类编辑器打开你下载的pdf_file.pdf，拉到文件最底部，肯定能看到一堆不属于PDF内容的字符（比如HTML片段、空白行、服务器日志之类的）。

几种可行的解决方案 #

1. 手动截断到PDF的结束标记

PDF规范里的结束标记是%%EOF，我们可以找到这个标记在下载内容里的最后出现位置，然后只保留到该位置的内容，就能得到干净的PDF文件：

import requests

url = "https://icms.bombinoexp.in/ImageHandler.ashx?ID=37997&Type=BOE&FileExt=.pdf"
response = requests.get(url)

# 定位PDF的结束标记（二进制形式）
eof_marker = b'%%EOF'
# 找最后一次出现的位置，避免前面有注释里的类似字符串
eof_position = response.content.rfind(eof_marker)

if eof_position != -1:
    # 保留到标记的末尾（%%EOF共5个字节）
    cleaned_content = response.content[:eof_position + len(eof_marker)]
    with open('clean_pdf.pdf', 'wb') as f:
        f.write(cleaned_content)
    print("清理后的PDF已保存，现在可以用PyPDF2正常处理了")
else:
    print("未找到PDF结束标记，可能需要尝试其他方法")

2. 用兼容性更强的PDF库修复

如果手动截断嫌麻烦，推荐用**PyMuPDF（fitz）**这个库——它对不规范、损坏的PDF兼容性极强，能自动清理冗余数据并重新保存：

import fitz  # 先安装：pip install pymupdf

# 打开有问题的PDF
doc = fitz.open("pdf_file.pdf")
# 保存时自动清理垃圾数据（garbage=4表示彻底清理）
doc.save("fixed_pdf.pdf", garbage=4)
doc.close()
print("修复后的PDF已保存")

这个方法几乎能解决绝大多数PDF解析异常的问题，比PyPDF2容错性好很多。

3. 模拟浏览器请求头（可选）

有些服务器会根据请求的User-Agent判断是爬虫还是浏览器，返回不同的内容。你可以加上浏览器的请求头，让服务器返回标准的PDF：

import requests

headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/118.0.0.0 Safari/537.36'
}
url = "https://icms.bombinoexp.in/ImageHandler.ashx?ID=37997&Type=BOE&FileExt=.pdf"
response = requests.get(url, headers=headers)

with open('pdf_file.pdf', 'wb') as f:
    f.write(response.content)

这个方法不一定100%有效，但可以作为补充尝试。

总结 #

核心问题就是下载的PDF文件被附加了冗余数据，导致PyPDF2解析失败。优先试试方案1或方案2，尤其是方案2的PyMuPDF，操作简单且兼容性强。

内容的提问来源于stack exchange，提问作者Saad Saadi