无法阅读在线提供的pdf文件的特定页面的内容

Question

我已经使用PyMuPDF库在本地解析pdf文件的任何特定页面的内容并找到它工作。但是，当我尝试在解析在线提供的 pdf 文件的任何特定页面的内容时应用相同的逻辑时，我遇到了错误。

我使用以下脚本（本地 pdf）获得了成功：

import fitz

path = r'C:\Users\WCS\Desktop\pymupdf\Regular Expressions Cookbook.pdf'

doc = fitz.open(path)
page1 = doc.loadPage(5)
page1text = page1.getText("text")
print(page1text)

下面的脚本抛出一个错误（在线提供的pdf）：

import fitz
import requests

URL = 'https://buildmedia.readthedocs.org/media/pdf/pdfminer-docs/latest/pdfminer-docs.pdf'

res = requests.get(URL)
doc = fitz.open(res.content)
page1 = doc.loadPage(5)
page1text = page1.getText("text")
print(page1text)

脚本遇到的错误：

Traceback (most recent call last):
  File "C:\Users\WCS\AppData\Local\Programs\Python\Python37-32\general_demo.py", line 8, in <module>
    doc = fitz.open(res.content)
  File "C:\Users\WCS\AppData\Local\Programs\Python\Python37-32\lib\site-packages\fitz\fitz.py", line 2010, in __init__
    _fitz.Document_swiginit(self, _fitz.new_Document(filename, stream, filetype, rect, width, height, fontsize))
RuntimeError: cannot open b'%PDF-1.5\n%\xd0\xd4\xc5\xd8\n1 0 obj\n<<\n/Length 843       \n/Filter /FlateDecode\n>>\nstream\nx\xdamUMo\xe20\x10\xbd\xe7Wx\x0f\x95\xda\x03\xc5N\xc8W\x85\x90\x9c\x84H\x1c\xb6\xad\nZ\xed\x95&\xa6\x8bT\x12\x14\xe0\xd0\x7f\xbf~3\x13\xda\xae\xf

如何直接从网上阅读内容？

Answer 1

看起来您需要使用 stream:

初始化对象

>>> # from memory
>>> doc = fitz.open(stream=mem_area, filetype="pdf")

mem_area有文档的数据。

https://pymupdf.readthedocs.io/en/latest/document.html#Document

Answer 2

我认为您缺少 read() 函数来将文件读取为 bytesIO，然后 pymupdf 可以使用它。

with fitz.open(stream=uploaded_pdf.read(), filetype="pdf") as doc:
    text = ""
    for page in doc:
        text += page.getText()
    print(text)

无法阅读在线提供的pdf文件的特定页面的内容

Can't read the content of a certain page of a pdf file available online

python

pdf

web-scraping

python-3.x

pymupdf