PDF 还有附件？交付前别漏掉嵌入文件

本文使用合成样本演示处理方法。代码已通过隔离环境中的示例检查；这不代表对所有真实文件或产品效果的保证。处理重要文件前，请保留原件，并按文中的边界与验收项复核。 这篇先解决哪一个问题 同名附件可以对应多份内容。不要用局部序号和清理后的名称作全局键；这里按提取顺序分配独立 ID，保留原始名称作为元数据，不把附件写入磁盘或执行。 自包含的合成示例 依赖见导入列表。代码在内存中构造输入；运行记录单独提供，不代表对所有真实文件的保证。 from io import BytesIO from pypdf import PdfReader, PdfWriter writer = PdfWriter() writer.add_blank_page(width=200, height=200) writer.add_attachment("data.csv", b"row-one") writer.add_attachment("data.csv", b"row-two") writer.add_attachment("../secret.txt", b"synthetic secret") out = BytesIO() writer.write(out) out.seek(0) reader = PdfReader(out) records = [] for name, contents in reader.attachments.items(): for content in contents: records.append({"id": len(records), "source_name": name, "bytes": content}) assert len(records) == 3 assert len({r["id"] for r in records}) == 3 assert {r["bytes"] for r in records if r["source_name"] == "data.csv"} == {b"row-one", b"row-two"} assert any(r["source_name"] == "../secret.txt" for r in records) 为什么你的附件提取脚本会静默丢文件 在处理包含嵌入文件的 PDF 时，最隐蔽的故障不是报错，而是“成功”执行后文件少了。当你遍历 reader.attachments 并直接用原始名称写入磁盘时，如果 PDF 内嵌了两个名为 report.xlsx 的文件，后者会直接覆盖前者；如果文件名包含 ../ 或系统保留字符，写入操作可能失败甚至触发安全风险。pypdf 官方文档明确警告：附件名称可以包含任意字符，且同名附件以列表形式存储。这意味着任何未经净化的批量提取逻辑，在遇到非标准 PDF 时都不可靠。 合成示例：正确输出与边界输入处理 为了验证提取逻辑的健壮性，我们需要构造一个受控的合成样本，而不是依赖来源不明的生产文件。假设我们构建了一个包含三个附件的 PDF：第一个是正常文件 data.csv ，第二个是与第一个同名的 data.csv （内容不同），第三个是文件名包含路径遍历特征的 ..\secret.txt 。 安全提取与文件名净化的 Python 实现 此代码仅为逻辑演示，不构成对 pypdf 所有附件特性的完整覆盖。实际生产中，还需考虑大文件流式读取、编码异常等情形。 验收标准与人工审查边界 自动化提取不能替代交付前的人工核对。下表列出常见异常及其处理决定，区分代码可解决与需人工介入的场景： 观察现象 自动处理 人工审查 多个附件同名 添加序号前缀，保留全部内容 确认是否为版本迭代或误嵌入 文件名含路径分隔符 剥离目录结构，仅取文件名 检查是否意图隐藏恶意载荷 附件内容为空或极小 记录日志，仍保存文件 判断是否为占位符或损坏 文件名乱码或不可打印字符 替换为下划线，保留索引 回溯原始PDF元数据确认语义 附件类型与扩展名不符 按内容嗅探或保留原样 由领域专家判定用途 注意：本表适用于代码演示层面的校验。端到端效果还需结合业务上下文，例如合同附件缺失可能比文件名错误更严重。当附件数量超过20个或存在加密、签名时，应暂停自动化流程，转交专人审查。 参考资料与下一步行动 pypdf Handle Attachments 官方文档 PDF 2.0 Specification Section 14.13 (Associated Files) 下一步：在你的 CI 流水线中加入合成附件测试用例；对历史交付文档抽样运行净化提取脚本，建立附件完整性基线；若发现系统性丢失，优先排查命名冲突而非网络或权限问题。 将这份检查清单用于文档翻译 文件拆合、加密或附件处理属于交付准备，翻译不能替代这些检查。保留原件和处理清单，再评估译稿的页序、链接与内容完整性。 OmniDoc（产品入口） 提供多格式文档翻译入口，官网介绍了 OCR、术语表与双语对照功能。对希望直接从文件开始处理的团队，这是一条值得用实际样本评估的路径。请使用有权上传的脱敏文件，并用本篇的检查项复核结果；这里不声称 OmniDoc 使用了本文的开源库或内部算法，也不以示例代替产品性能测试。 - 1 -