首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >使用pdfminer.six从URL打开PDF

使用pdfminer.six从URL打开PDF
EN

Stack Overflow用户
提问于 2020-06-02 17:23:52
回答 3查看 1.1K关注 0票数 3

背景:Python3.7& pdfminer.six

使用这里找到的信息:用Python从PDF导出数据,我有以下代码:

代码语言:javascript
复制
import io

from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfpage import PDFPage

def extract_text_from_pdf(pdf_path):
    resource_manager = PDFResourceManager()
    fake_file_handle = io.StringIO()
    converter = TextConverter(resource_manager, fake_file_handle)
    page_interpreter = PDFPageInterpreter(resource_manager, converter)

    with open(pdf_path, 'rb') as fh:
        for page in PDFPage.get_pages(fh, 
                                      caching=True,
                                      check_extractable=True):
            page_interpreter.process_page(page)

        text = fake_file_handle.getvalue()

    # close open handles
    converter.close()
    fake_file_handle.close()

    if text:
        return text

if __name__ == '__main__':
    path = '../_pdfs/mypdf.pdf'
    print(extract_text_from_pdf(path))

这是可行的(耶!),但我真正想做的是直接通过它的网址请求pdf,而不是打开预先保存到本地驱动器的pdf。

我不知道如何修改从远程url调用的"with open“逻辑,也不确定我最适合使用哪个请求库(请求、urllib、urllib2等)。

我是Python新手,所以请记住这一点(P.s。我已经在这个问题上找到了其他的问题,但我没有办法解决--可能是因为它们往往很老。)

任何帮助都将不胜感激!谢谢!

EN

回答 3

Stack Overflow用户

回答已采纳

发布于 2020-06-17 00:28:17

我解决了以下问题:

代码语言:javascript
复制
from io import StringIO, BytesIO
import urllib.request

from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter, PDFResourceManager
from pdfminer.pdfpage import PDFPage

def extract_text_from_pdf_url(url, user_agent=None):
    resource_manager = PDFResourceManager()
    fake_file_handle = StringIO()
    converter = TextConverter(resource_manager, fake_file_handle)    

    if user_agent == None:
        user_agent = 'Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36'

    headers = {'User-Agent': user_agent}
    request = urllib.request.Request(url, data=None, headers=headers)

    response = urllib.request.urlopen(request).read()
    fb = BytesIO(response)

    page_interpreter = PDFPageInterpreter(resource_manager, converter)

    for page in PDFPage.get_pages(fb,
                                caching=True,
                                check_extractable=True):
        page_interpreter.process_page(page)


    text = fake_file_handle.getvalue()

    # close open handles
    fb.close()
    converter.close()   
    fake_file_handle.close()

    if text:
        # If document has instances of \xa0 replace them with spaces.
        # NOTE: \xa0 is non-breaking space in Latin1 (ISO 8859-1) & chr(160)
        text = text.replace(u'\xa0', u' ')

        return text
票数 4
EN

Stack Overflow用户

发布于 2020-06-02 17:35:19

您可以使用PyPDF2解析一个pdf文件。

试试这个:

代码语言:javascript
复制
import requests, PyPDF2
# Fill address with your url
try:
    response = requests.get(address)
except:
    print("Error")
my_raw_data = response.content
with open("my_pdf.pdf", 'wb') as my_data:
    my_data.write(my_raw_data)
my_data.close()
open_pdf_file = open("my_pdf.pdf", 'rb')
try:
    read_pdf = PyPDF2.PdfFileReader(open_pdf_file)
except:
    print("Failed to read, Press Enter to continue :")
if read_pdf.isEncrypted:
    read_pdf.decrypt("")
n = read_pdf.getNumPages()
for x in range(0,n):
    try:
        s = read_pdf.getPage(x).extractText()
    except:
        print("Error in",i)
        continue
    print(s)
票数 0
EN

Stack Overflow用户

发布于 2021-08-08 01:36:08

从url以可与pdfminer.six一起使用的格式检索pdf的一个更小的解决方案是:

代码语言:javascript
复制
def pdf_getter(url:str):
    '''
    retrives pdf from url as bytes object
    '''
    open = urllib.request.urlopen(url).read()
    return io.BytesIO(open)

PDFParser()函数和高级extract_text()函数都将接受返回的对象作为输入。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/62157733

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档