Question

我正在尝试使用scraperwiki for pyhon从pdf文档中获取一些数据。如果我使用 urllib2 下载文件，它可以很好地工作：

pdfdata = urllib2.urlopen(url).read()
xmldata = scraperwiki.pdftoxml(pdfdata)
root = lxml.html.fromstring(xmldata)
pages = list(root)

但是这里有棘手的部分。正如我想对磁盘上的大量pdf文件这样做，我想取消第一行并直接传递pdf文件作为参数。但是，如果我尝试

pdfdata = open("filename.pdf","wb")
xmldata = scraperwiki.pdftoxml(pdfdata)
root = lxml.html.fromstring(xmldata)

我收到以下错误

xmldata = scraperwiki.pdftoxml(pdfdata)
File "/usr/local/lib/python2.7/dist-packages/scraperwiki/utils.py", line 44, in pdftoxml
pdffout.write(pdfdata)
TypeError: must be string or buffer, not file

我猜这是因为我没有正确打开pdf？

如果是这样，有没有办法像 urllib2.urlopen（）那样从磁盘打开pdf？

Answer 1

urllib2.urlopen（...）。read（）只是读取你从作为参数传递的url返回的流的内容。

open（）返回文件处理程序。正如urllib2需要执行open（）调用然后调用read（）一样，文件处理程序也是如此。

更改您的程序以使用以下行：

const char *

这将打开你的pdf，然后将内容读入名为pdfdata的缓冲区。从那里你对scraperwiki.pdftoxml（）的调用将按预期工作。

在磁盘上使用scraperwiki for pdf-file

1 个答案: