Python 计算已打开的 pdf 文件的页数答案

【问题标题】：Python count pages of pdf-file that already is openPython 计算已打开的 pdf 文件的页数
【发布时间】：2021-05-09 03:21:08
【问题描述】：

我的 Python3 脚本位于网络服务器上，并接收通过互联网发送给它的 pdf 文件。因此，该 pdf 文件已作为变量的内容存在于 RAM 中，该变量是一个字节字符串：

pdf_content = b'<placeholder for the entire pdf-document>'

收到文件后不久，它将存储在服务器的硬盘上：

with open('path/to/file.pdf', 'wb') as writer:
    writer.write(pdf_content)

但我也想获取pdf文件的页数：

num_pages = get_num_pages(pdf_content)

这是我的问题：

获取已在 RAM 中作为字节串的 pdf 文档的页数的最快和最可靠的方法是什么？

换句话说：如何填充这个函数的主体？

def get_num_pages(pdf_content):
    # do something
    return num_pages

这很快但不可靠：

以下解决方案使用正则表达式查找字符串/Page 的所有匹配项。然后它返回这些发现的数量。（变量findings是一个数组。）

def get_num_pages(pdf_content):
    findings = re.findall(b'\/Page\W', pdf_content)
    return len(findings)

此解决方案的问题在于，并非所有 pdf 文档的每一页都包含字符串 /Page 的实例。我自己的硕士论文长达 101 页，但它没有包含字符串/Page。所以这个函数说我的硕士论文是0页长，这是错误的。

^{我的硕士论文是由 LaTeX 编辑器创建的，可以用任何 pdf 阅读器打开。如果你想检查它，你可以从here下载它。}

这可以正常工作，但速度很慢：

# use PyPDF2
from PyPDF2 import PdfFileReade

# receive the content via internet
pdf_content = b'<placeholder for the entire pdf-document>'

# write it to the hard disk (this is what I want to do anyway):
with open('path/to/file.pdf', 'wb') as writer:
    writer.write(pdf_content)

# read it again from hard disk (this is the problem):
pdf = PdfFileReader(open('path/to/file.pdf','rb'))

# retrieve the number of pages:
num_pages = pdf.getNumPages()

这个解决方案给出了正确的页数，即使是我的硕士论文，但它需要从硬盘读取内容很慢。如前所述，内容已经完全在 RAM 中，作为一个字节串。但是PdfFileReader 不接受字节串作为参数。这给出了一个错误：

pdf_content = b'<placeholder for the entire pdf-document>'
pdf = PdfFileReader(pdf_content)

---
Traceback (most recent call last):
  File "./test.py", line 20, in <module>
    pdf = PdfFileReader(pdf_content)
  File "/usr/local/lib/python3.6/dist-packages/PyPDF2/pdf.py", line 1084, in __init__
    self.read(stream)
  File "/usr/local/lib/python3.6/dist-packages/PyPDF2/pdf.py", line 1689, in read
    stream.seek(-1, 2)
AttributeError: 'bytes' object has no attribute 'seek'

并且documentation of PyPDF2 没有列出将纯字节字符串转换为提供搜索方法的对象的方法。

所以，我的问题又来了：获取已在 RAM 中作为字节串的 pdf 文档的页数的最快、最可靠的方法是什么？

【问题讨论】：

查看其他 SO 问题和答案，了解如何将io.BytesIO 用于您的目的：stackoverflow.com/a/47801913/42346
如果PdfFileReader() 得到open() 那么你可以使用PdfFileReader(io.BytesIO(pdf_content))

标签： python pdf

【解决方案1】：

如果某些函数适用于open()创建的文件处理程序

 handler = open(...)
 PdfFileReader(handler)

然后它可以与io.BytesIO() 或io.StringIO() 创建的类文件对象一起使用

 handler = io.BytesIO(pdf_content)
 PdfFileReader(handler)

文档：io

【讨论】：