Чи є вкладення приховані в PDF? Інвентаризуйте вбудовані файли перед доставкою за допомогою pypdf

У PDF можуть бути вкладені файли. Якщо їх не перевірити перед доставкою, пакет документів, який отримує клієнт, може бути відсутнім. Ця стаття призначена для розробників і персоналу доставки документів, яким потрібно пакетно витягувати або перевіряти вбудовані файли PDF. У ній пояснюється, чому вкладення з однаковими іменами та незвичайними назвами файлів можуть призвести до тихої втрати файлів, і як використовувати pypdf для безпечного підрахунку вкладень.

Прочитавши це, ви зможете зробити три речі: призначити унікальний ідентифікатор кожному вкладенню, зберегти оригінальну назву як метадані, а не записувати її безпосередньо на диск, і використовувати форму прийняття, щоб розрізнити випадки, які можуть бути оброблені автоматично, і ті, які потребують перегляду вручну.

Усі приклади в цій статті є синтетичними зразками, і код пройшов перевірку зразків в ізольованому середовищі, але це не є гарантією всіх реальних файлів або ефектів продукту. Будь ласка, збережіть оригінали, перш ніж працювати з важливими документами.

Як підрахувати PDF-додатки перед доставкою? Висновок одним реченням

Використовуйте pypdf, щоб призначити окремий ідентифікатор кожному вкладенню в порядку вилучення. Оригінальна назва зберігається лише як метадані і не записується безпосередньо на диск. Винятки розглядаються вручну відповідно до форми прийняття.

Чому вкладення з такою ж назвою мовчки втрачає файли?

Під час обробки PDF-файлів із вбудованими файлами найбільш прихованою проблемою є не помилка, а відсутність файлів після «успішного» виконання процесу.

• Під час циклічного перегляду reader.attachments і запису безпосередньо на диск із оригінальною назвою, якщо PDF містить два вбудовані файли з іменем report.xlsx, останній перезапише попередній.
• Якщо ім'я файлу містить ../ або зарезервовані системою символи, запис може бути невдалим і навіть викликати загрози безпеці.
• В офіційному документі pypdf зазначено, що імена вкладень можуть містити будь-які символи, а вкладення з однаковою назвою зберігаються у формі списку.

Таким чином, будь-яка недезінфікована логіка пакетного вилучення буде ненадійною при зустрічі з нестандартними PDF-файлами.

Побудуйте вхідні межі, які можна перевірити, використовуючи синтетичні зразки

Щоб перевірити надійність логіки вилучення, потрібно створити контрольовані синтетичні зразки, а не покладатися на виробничі файли невідомого походження. Приклад передбачає, що PDF-файл містить три вкладення:

1. Звичайний файл data.csv;
2. data.csv з такою ж назвою, як і перша, але з іншим змістом;
3. Ім’я файлу містить ..\secret.txt із характеристиками проходження шляху.

Ці три вкладення охоплюють три типи ситуацій: звичайне видобування, конфлікт однакового імені та аномалію шляху відповідно.

Запустіть приклад безпечного видобування та очищення імені файлу

Перегляньте список імпорту залежностей. Код створює вхідні дані в пам’яті, не записує на диск і не виконує вміст вкладення.

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)

Слід зазначити, що цей код є лише логічною демонстрацією та не є повним охопленням усіх функцій вкладення pypdf. Такі ситуації, як потокове читання великих файлів і аномалії кодування, також необхідно враховувати під час виробництва.

📊 Основне порівняння

🎯 Який спосіб вам підходить?

Якщо вам потрібно лише перевірити невелику кількість звичайних вкладень

Збережіть оригінал, розпакуйте його разом із зразком коду та порівняйте вміст файлів один за одним.

Якщо PDF-файл, який ви обробляєте, може містити вкладення з такою ж назвою

Призначайте незалежні ідентифікатори в порядку вилучення та не використовуйте локальні серійні номери чи дезінфіковані імена як глобальні ключі.

Якщо є більше 20 вкладень або є шифрування чи підпис

Призупиніть автоматизований процес і передайте його спеціальному рецензенту.

❓ Часті запитання (FAQ)

1. Чому вкладення з такою ж назвою не можна записати безпосередньо на диск?

Файли, написані пізніше, перезапишуть файли, написані раніше, що призведе до тихої втрати вмісту.

2. Які ризики несе ../ в назві файлу?

Прямий запис може бути невдалим і навіть викликати ризики безпеки. У статті рекомендується видалити структуру каталогів і зберегти лише імена файлів як метадані.

3. Вміст вкладення порожній або дуже малий. Ви все ще хочете зберегти його?

Згідно з рекомендаціями щодо автоматичної обробки форми прийняття, журнал слід записати, а файл все одно зберегти, а потім вручну визначити, чи є він заповнювачем чи пошкодженим.

4. Чи може цей код охопити всі функції вкладення pypdf?

не можна. Це лише логічна демонстрація, і такі ситуації, як читання потоку великого файлу та винятки кодування, потрібно розглядати окремо.

Критерії прийняття та межі перевірки вручну

Автоматизоване вилучення не замінює ручну перевірку перед доставкою. У наведеній нижче таблиці наведено типові винятки та методи їх обробки, розрізняючи сценарії, які можна вирішити за допомогою коду, і ті, що потребують ручного втручання.

Ця таблиця підходить для перевірки на рівні демонстрації коду. Наскрізний ефект також потрібно поєднувати з бізнес-контекстом. Наприклад, відсутність вкладень у контракті може бути серйознішим, ніж неправильне ім’я файлу. Якщо кількість вкладених файлів перевищує 20 або є шифрування чи підписи, автоматизований процес слід призупинити та передати призначеній особі для перевірки.

Подальше читання

• Офіційна документація pypdf Handle Attachments
• Специфікація PDF 2.0, розділ 14.13 (пов’язані файли)

Наступний крок

• Додайте тестові випадки синтетичного приєднання до конвеєра CI;
• Запустіть сценарій вилучення очищення на зразку історичних документів доставки, щоб встановити базовий рівень цілісності вкладень;
• Якщо виявлено системну втрату, надайте пріоритет конфліктам імен, а не проблемам з мережею чи дозволами.

Як поєднати з перекладом документів перед доставкою

Розкладання файлів, шифрування або обробка вкладень є частиною підготовки до доставки, і переклад не може замінити ці перевірки. Після збереження оригінальної копії та списку обробки оцініть порядок сторінок, посилання та цілісність вмісту перекладу.

OmniDoc (портал продуктів) надає багатоформатний портал перекладу документів, а на офіційному веб-сайті представлені функції OCR, глосарій і двомовне порівняння. Для команд, які хочуть почати працювати безпосередньо з файлів, цей шлях можна оцінити за допомогою реальних зразків. Будь ласка, використовуйте десенсибілізовані файли, на завантаження яких у вас є дозвіл, і скористайтеся прапорцями в цій статті, щоб переглянути результати. У цій статті не стверджується, що OmniDoc використовує бібліотеки з відкритим кодом або внутрішні алгоритми в статті, і приклади не можуть замінити тестування продуктивності продукту.

📝 Підсумок

Ключ до підрахунку PDF-додатків перед доставкою полягає у призначенні незалежного ідентифікатора кожному вкладенню, збереженні оригінальної назви як метаданих і проведенні перевірки вручну на наявність винятків. Перевірте процес спочатку синтетичними зразками, а потім реальними документами.

Спробуйте зараз: завантажте документ, щоб розпочати переклад, зберігаючи вихідний макет