磁盘上pdf文件使用scraperwiki

Question

我正试图从一个pdf文档中获取一些数据，使用的是pyhon的scraperwiki。如果我使用urllib2下载文件，效果非常好，如下所示：

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

但棘手的部分来了。因为我想要这样做的大量pdf文件，我在我的磁盘上，我想要删除第一行，并直接传递的pdf文件作为一个参数。但是，如果我尝试

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

我得到以下错误

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

我猜想这是因为我没有正确打开pdf？

如果是的话，是否有办法像urllib2.urlopen()那样从磁盘中打开pdf？

Answer 1

Urllib2.urlopen(.).read()只读取从作为参数传递的url返回的流的内容。

而open()返回文件处理程序。正如urllib2需要执行一个open()调用，然后进行read()调用一样，文件处理程序也是如此。

更改程序以使用以下行：

with open("filename.pdf", "rb") as pdffile:
      pdfdata=pdffile.read()

xmldata = scraperwiki.pdftoxml(pdfdata)
root = lxml.html.fromstring(xmldata)

这将打开您的pdf，然后将内容读入名为pdfdata的缓冲区。从这里开始，您对scraperwiki.pdftoxml()的调用将如预期的那样工作。