我尝试将从book_download_page = requests.get(link)获取的字节转换为字符串,然后从content = book_download_page.content转换为字符串。
我试过的是,
content = book_download_page.content.decode('utf-8')我得到了错误,
'utf-8' codec can't decode byte 0xe2 in position 10: invalid continuation byte编辑-您可以尝试this link进行下载
谢谢!
发布于 2020-06-25 11:46:36
PDF内容由tokens组成,请查看此处:
您可以使用C++中的PoDoFo、Java中的PDFBox等工具解析PDF并提取文本,Python中也有一个PDF文本剥离器。
import pdfbox
pdf_ref = pdfbox.PDFBox()
pdf_ref.extract_text('directory/originalPDF.pdf') # Result .txt will be in directory/originalPDF.txt简单的例子改编自python-pdfbox,如果你也想转换其他东西,比如图片。
https://stackoverflow.com/questions/62567435
复制相似问题