PyPDF2 问题和从 S3 解码 pdf 文件

Question

我正在尝试获取存储在 AWS 中的一个 S3 存储桶中的 pdf 文件，并获取它的一些元数据，例如页数和文件大小。我成功地从 S3 存储桶中获取了 pdf 文件，调用 print(obj) 时得到了这个

s3.Object(bucket_name='somebucketname', key='somefilename.pdf')

使用 PyPDF2.PdfFileReader() 时，我尝试使用原始文件、UTF-8 解码文件和 ISO-8859-1 解码文件。 ISO-8859-1 解码文件是唯一一个不会引发异常的文件，但是当尝试将其作为参数传递给 PdfFileReader 时出现错误，并且此回溯

Traceback (most recent call last):
  File "s3_test.py", line 18, in <module>
    pdfFile = PdfFileReader(parse3)
  File "/usr/local/lib/python3.6/site-packages/PyPDF2/pdf.py", line 1081, in __init__
    fileobj = open(stream, 'rb')
ValueError: embedded null byte

我是否使用了错误的编码类型来解码这个 pdf 文件，还是像 pdfFileReader 的第一个参数一样必须是文件路径？有没有更简单的方法来访问 S3 pdf 对象的元数据，而无需费劲儿地到达那里？

Python 脚本

import boto3
from PyPDF2 import PdfFileReader

s3 = boto3.resource('s3')
obj = s3.Object(bucket_name, itemname)
parse3 = obj.get()['Body'].read().decode("ISO-8859-1")
pdfFile = PdfFileReader(parse3)

Answer 1

总体策略如下：

1. 让 PyPDF2 处理解码

PyPDF2 在确定如何解码文件方面会比您更聪明。 PdfFileReader 可以从流或文件路径中读取，因此可以从 S3 读取文件并将其准备为字节流。让 PdfFileReader 完成艰苦的工作。

1. 准备字节流

要将文件流准备为字节流，您可以使用 BytesIO 库。

Python 2：

from BytesIO import BytesIO

Python 3：

from io import BytesIO

对于您的代码示例：

    import boto3
    from PyPDF2 import PdfFileReader
    from io import BytesIO

    s3 = boto3.resource('s3')
    obj = s3.Object(bucket_name, itemname)
    fs = obj.get()['Body'].read()
    pdfFile = PdfFileReader(BytesIO(fs))