如何使用 Requests 在线解码 pdf 中的文本？

Question

我正在尝试从澳大利亚证券交易所网站创建一个 pdf 提取器，这将允许我搜索公司发布的所有“公告”并在这些公告的 pdf 中搜索关键词。

到目前为止，我所做的是使用 requests 库。以下是我目前的代码：

import requests

url = 'http://www.asx.com.au/asxpdf/20171103/pdf/43nyyw9r820c6r.pdf'
response = requests.get(url)

print(response.content)

但是打印的是以下字符串（我将其切断，因为它太长了）：

> b'%PDF-1.5\r%\xe2\xe3\xcf\xd3\r\n5 0 obj\r<</E 212221/H [ 1081 145 ]/L
> 212973/Linearized 1/N 1/O 8/T 212553>>\rendobj\r                      
> \r\r42 0 obj\r<</DecodeParms <</Columns 5/Predictor 12>>/Encrypt 7 0
> R/Filter /FlateDecode/ID [(\\216\\203\\217T\\n\\f\\236\\345?%\\214t4
> E\\271) (\\216\\203\\217T\\n\\f\\236\\345?%\\214t4 E\\271)]/Index [5
> 38]/Info 3 0 R/Length 86/Prev 212554/Root 6 0 R/Size 43/Type /XRef/W
> [1 3
> 1]>>\rstream\nx\x9ccbd`\x10``b``:\x04"\x19\xab\xc1d-X\xc4\x06D2\xac\x02\xb3\x93\xc0\xe2\x1d
> \x92?\x07,\x1e\t"\xb9T\x80$\xe3\x84\xcb@\x92\xa9m"\x03\x13\xe3\xdf\x13Z`Y\x06\xc6\x01#\xff3\xb0h\xbcfb`\xb6\x12\x02\xba\xe4\xef!S\x06\x0

我已经搜索了几天 stackexchange 和其他网站，并尝试使用 print(response.content.decode('utf-8') 以及 ascii，但它们都不是我能阅读的任何东西。

抱歉，我知道很明显我是个菜鸟，但我们将不胜感激任何帮助！

非常感谢。

Answer 1

PDF 文件是二进制模式，您应该将其作为带有页眉和页脚的格式来阅读。您不能将二进制文件作为原始字符串读取。

1) 如果您的文件名中有任何空格，那么 PyPDF 2 解密函数最终将失败，尽管返回成功代码。在通过 PyPDF2 运行 PDF 之前，尝试在命名 PDF 时使用下划线。

例如， 而不是“我的pdf.pdf”做一些类似“my_pdf.pdf”的事情。

2) 尝试使用空字符串作为密码解密它，它可以工作。

试试这个：

import requests, PyPDF2


url = 'http://www.asx.com.au/asxpdf/20171103/pdf/43nyyw9r820c6r.pdf'
response = requests.get(url)
my_raw_data = response.content

with open("my_pdf.pdf", 'wb') as my_data:
    my_data.write(my_raw_data)

open_pdf_file = open("my_pdf.pdf", 'rb')
read_pdf = PyPDF2.PdfFileReader(open_pdf_file)
if read_pdf.isEncrypted:
    read_pdf.decrypt("")
    print(read_pdf.getPage(0).extractText())

else:
    print(read_pdf.getPage(0).extractText())

Answer 2

该响应是表示 PDF 内容的编码字符串。您需要使用pdfminer 等提取工具。页面上有一个示例向您展示如何通过 Python 进行样本提取。