使用 PDFMiner.Six 将 xml 的 pdf 读入内存时出现问题
Problem reading pdf to xml into memory using PDFMiner.Six
考虑以下片段:
import io
result = io.StringIO()
with open("file.pdf") as fp:
extract_text_to_fp(fp, result, output_type='xml')
data = result.getvalue()
这会导致以下错误
ValueError: Codec is required for a binary I/O output
如果我遗漏了output_type
,我会得到错误
`UnicodeDecodeError: 'charmap' codec can't decode byte 0x8f in position 3804: character maps to <undefined>` instead.
我不明白为什么会这样,希望得到解决方法的帮助。
我想出了解决问题的方法:
首先你需要以二进制模式打开"file.pdf"
。然后,如果您想读取内存,请使用 BytesIO 而不是 StringIO 并对其进行解码。
例如
import io
result = io.BytesIO()
with open("file.pdf", 'rb') as fp:
extract_text_to_fp(fp, result, output_type='xml')
data = result.getvalue().decode("utf-8")
考虑以下片段:
import io
result = io.StringIO()
with open("file.pdf") as fp:
extract_text_to_fp(fp, result, output_type='xml')
data = result.getvalue()
这会导致以下错误
ValueError: Codec is required for a binary I/O output
如果我遗漏了output_type
,我会得到错误
`UnicodeDecodeError: 'charmap' codec can't decode byte 0x8f in position 3804: character maps to <undefined>` instead.
我不明白为什么会这样,希望得到解决方法的帮助。
我想出了解决问题的方法:
首先你需要以二进制模式打开"file.pdf"
。然后,如果您想读取内存,请使用 BytesIO 而不是 StringIO 并对其进行解码。
例如
import io
result = io.BytesIO()
with open("file.pdf", 'rb') as fp:
extract_text_to_fp(fp, result, output_type='xml')
data = result.getvalue().decode("utf-8")