Question

我正在尝试使用PyPDF2来读取pdf文档并输出纯文本字符串。但是，当我使用代码将我的pdf文件上传到colaboratory时：

uploaded = files.upload()

for fn in uploaded.keys():
  print('User uploaded file "{name}" with length {length} bytes'.format(
  name=fn, length=len(uploaded[fn])))

它会自动将其转换为str类型，而不是将其保留为编码字符串。这会给PyPDF.PdfFileReader（）带来错误，但是如果你打印字符串它仍然包含所有编码字符：

gsutilCheatSheet.pdf =＆gt; ％PDF-1.5 ％ 1 0 obj ＆lt;＆gt; /元数据117 0 R / ViewerPreferences 118 0 R＆gt;＆gt; endobj

等

有没有办法让导入的文档保持原始编码格式，还是有其他方法可以删除编码，一旦它已经是str？

Answer 1

我怀疑您需要将上传的文件包装在io.BytesIO中。

这是一个完整的示例，展示了如何使用PyPDF2打开上传的PDF - https://colab.research.google.com/notebook#fileId=1XlmXcp4xnrUGMUArevxiGNlrbMOMECO1

关键位是：

pdf = PdfFileReader(io.BytesIO(uploaded['abc123.pdf']))

在实验室中维护数据类型

1 个答案: