Question

我正在尝试从澳大利亚证券交易所网站创建一个pdf取件器，这将允许我搜索公司制作的所有“公告”，并在这些公告的pdf中搜索关键词。

到目前为止，我正在使用请求和PyPDF2获取PDF文件，将其写入我的驱动器然后读取它。但是，我希望能够跳过将PDF文件写入驱动器并读取它的步骤，并直接从获取PDF文件转换为字符串。到目前为止我所拥有的是：

import requests, PyPDF2

url = 'http://www.asx.com.au/asxpdf/20171108/pdf/43p1l61zf2yct8.pdf'
response = requests.get(url)
my_raw_data = response.content

with open("my_pdf.pdf", 'wb') as my_data:
    my_data.write(my_raw_data)


open_pdf_file = open("my_pdf.pdf", 'rb')
read_pdf = PyPDF2.PdfFileReader(open_pdf_file)
num_pages = read_pdf.getNumPages()

ann_text = []
for page_num in range(num_pages):
    if read_pdf.isEncrypted:
        read_pdf.decrypt("")
        print(read_pdf.getPage(page_num).extractText())
        page_text = read_pdf.getPage(page_num).extractText().split()
        ann_text.append(page_text)

    else:
        print(read_pdf.getPage(page_num).extractText())
print(ann_text)

这将从提供的网址中打印PDF文件中的字符串列表。

只是想知道我是否可以将my_raw_data变量转换为可读字符串？

提前非常感谢！

Answer 1

您可以使用io

import requests, PyPDF2, io

url = 'http://www.asx.com.au/asxpdf/20171108/pdf/43p1l61zf2yct8.pdf'
response = requests.get(url)

with io.BytesIO(response.content) as open_pdf_file:
    read_pdf = PyPDF2.PdfFileReader(open_pdf_file)
    num_pages = read_pdf.getNumPages()
    print(num_pages)

PS。要打开文件，请始终使用上下文管理器（with - 语句）

Answer 2

最后我明白了!!试试这个（只是用io）：

import requests, PyPDF2, io


url = 'http://www.asx.com.au/asxpdf/20171103/pdf/43nyyw9r820c6r.pdf'
response = requests.get(url)
my_raw_data = response.content

pdf_content = io.BytesIO(my_raw_data)
pdf_reader = PyPDF2.PdfFileReader(pdf_content)

if pdf_reader.isEncrypted:
    pdf_reader.decrypt("")
    print(pdf_reader.getPage(0).extractText())

else:
    print(pdf_reader.getPage(0).extractText())

祝你好运...... :)

如何从内联raw_bytes（而不是文件）中读取PDF文件？

2 个答案: