Question

我正在使用仅接受字符串的api。它旨在存储东西。我希望能够读取二进制文件，将二进制数据转换为字符串，然后存储该字符串。然后，我想检索字符串，转换回二进制文件，然后保存文件。

所以我想做的是（在python中）：

PDF->以字符串形式加载到程序中->存储字符串->检索字符串->另存为二进制PDF文件

例如，我有一个称为PDFfile的PDF。我想在以下地方阅读它：

datafile=open(PDFfile,'rb')
pdfdata=datafile.read()

当我阅读.read函数时，它说应该是字符串。它也没有，或者如果有的话，也将其定义为二进制文件。稍后我有两行代码将其打印出来：

print(pdfdata[:20])
print(str(pdfdata[:20]))

结果是这样的：

b'％PDF-1.3 \ n％\ xc4 \ xe5 \ xf2 \ xe5 \ xeb \ xa7 \ xf3 \ xa0 \ xd0 \ xc4'
b'％PDF-1.3 \ n％\ xc4 \ xe5 \ xf2 \ xe5 \ xeb \ xa7 \ xf3 \ xa0 \ xd0 \ xc4'

在我看来，这些看起来像2个字节类型，但是显然，第二个是字符串。当我做type(pdfdata)时，我得到了字节。

我正在努力获取代表PDF文件的干净字符串，然后可以将其转换回字节格式。如果我不对其进行字符串化发送，该API将失败。

str(pdfdata)

我也尝试过编码和解码，但是遇到编码/解码无法处理0xc4的错误，该错误显然在二进制文件中。

最后的奇怪之处：</ p>

当我存储str（pdfdata）并将其检索到'retdata'时，我从中打印出一些字节并与原始字节进行比较

print(pdfdata[:20])
print(retdata[:20])

我得到的结果完全不同

b'％PDF-1.3 \ n％\ xc4 \ xe5 \ xf2 \ xe5 \ xeb \ xa7 \ xf3 \ xa0 \ xd0 \ xc4'
b'％PDF-1.3 \ n％\ xc4 \ xe

但是如果我显示retdata的50个字符，数据就在那里

b'％PDF-1.3 \ n％\ xc4 \ xe5 \ xf2 \ xe5 \ xeb \ xa7 \ xf3 \ xa0 \ xd0 \

不用说，当我检索数据并将其存储为pdf时，它已损坏并且无法正常工作。

当我保存字符串化的pdf和检索到的数据的字符串版本时，它们是相同的。因此字符串的存储和检索工作正常。

所以我认为当我转换为字符串时，正在发生损坏。

我知道我变得lo口，但是你们喜欢拥有所有信息。

Answer 1

好的，我知道了。关键是要在将二进制数据转换为字符串之前对其进行正确的编码。

步骤1）读入二进制数据

datafile=open(PDFfile,'rb')
pdfdatab=datafile.read()    #this is binary data
datafile.close()

步骤2）将数据编码为字节数组

import codecs
b64PDF = codecs.encode(pdfdatab, 'base64')

步骤3）将字节数组转换为字符串

Sb64PDF=b64PDF.decode('utf-8')

现在可以恢复字符串了。为了找回它，您只需经历相反的过程。将存储中的字符串数据加载到字符串变量retdata中。

#so we have a string and want it to be bytes
bretdata=retdata.encode('utf-8')

#now lets get it back into the binary file format
bPDFout=codecs.decode(bretdata, 'base64')

#open a new file and put defragments data into it!
datafile=open(newPDFFile,'wb')
datafile.write(bPDFout)
datafile.close()

将PDF文件（或任何二进制文件）转换为python中的字符串（不从pdf中获取文本）

1 个答案: