Python 3 从网络解析 PDF

Question

我试图从网页获取 PDF，解析它并使用 PyPDF2 将结果打印到屏幕上。我使用以下代码让它正常工作：

with open("foo.pdf", "wb") as f:
    f.write(requests.get(buildurl(jornal, date, page)).content)
pdfFileObj = open('foo.pdf', "rb")
pdf_reader = PyPDF2.PdfFileReader(pdfFileObj)
page_obj = pdf_reader.getPage(0)
print(page_obj.extractText())

写一个文件然后我可以阅读它虽然听起来很浪费，所以我想我可以用这个来减少中间人：

pdf_reader = PyPDF2.PdfFileReader(requests.get(buildurl(jornal, date, page)).content)
page_obj = pdf_reader.getPage(0)
print(page_obj.extractText())

然而，这给了我一个 AttributeError: 'bytes' object has no attribute 'seek'。如何将来自 requests 的 PDF 直接传送到 PyPDF2？

Answer 1

使用 io 伪造文件的使用 (Python 3):

import io

output = io.BytesIO()
output.write(requests.get(buildurl(jornal, date, page)).content)
output.seek(0)
pdf_reader = PyPDF2.PdfFileReader(output)

我没有在您的上下文中进行测试，但我测试了这个简单的示例并且它有效：

import io

output = io.BytesIO()
output.write(bytes("hello world","ascii"))
output.seek(0)
print(output.read())

产量：

b'hello world'

Answer 2

您必须使用 BytesIO:

将返回的 content 转换为类似文件的对象

import io

pdf_content = io.BytesIO(requests.get(buildurl(jornal, date, page)).content)
pdf_reader = PyPDF2.PdfFileReader(pdf_content)

Python 3 从网络解析 PDF

Python 3 parse PDF from web

python

pdf

python-requests

pypdf2