使用 urllib2 远程读取 pdf答案

【问题标题】：Reading pdf remotely using urllib2使用 urllib2 远程读取 pdf
【发布时间】：2017-06-11 10:23:02
【问题描述】：

我正在尝试从 pdf 远程提取文本。

网址是这个http://loc.gov/aba/publications/FreeLCC/A-text.pdf

我的代码如下

import urllib2
import PyPDF2
import io

URL = 'http://loc.gov/aba/publications/FreeLCC/A-outline.pdf'
remote_file = urllib2.urlopen(URL).read()
memory_file = io.BytesIO(remote_file)

read_pdf = PyPDF2.PdfFileReader(memory_file)
number_of_pages = read_pdf.getNumPages()

for i in range(0, number_of_pages):
    pageObj = read_pdf.getPage(i)
    page = pageObj.extractText()
    print (page)

我收到403 HTTP 错误。我做错了什么？

【问题讨论】：

标签： python python-2.7 urllib2 http-status-code-403 pypdf2

【解决方案1】：

Source

import urllib2
import PyPDF2
import io

URL = 'http://loc.gov/aba/publications/FreeLCC/A-outline.pdf'
req = urllib2.Request(URL, headers={'User-Agent' : "Magic Browser"}) 
remote_file = urllib2.urlopen(req).read()
memory_file = io.BytesIO(remote_file)

read_pdf = PyPDF2.PdfFileReader(memory_file)
number_of_pages = read_pdf.getNumPages()

for i in range(0, number_of_pages):
    pageObj = read_pdf.getPage(i)
    page = pageObj.extractText()
    print (page)

【讨论】：