如何将 Web PDF 转换为文本答案

【问题标题】：How to convert Web PDF to Text如何将 Web PDF 转换为文本
【发布时间】：2022-01-26 22:19:20
【问题描述】：

我想将诸如 https://archives.nseindia.com/corporate/ICRA_26012022091856_BSER3026012022.pdf 之类的 Web PDF 转换为文本而不将它们保存到我的 PC 中，因为每天都会出现 1000 条这样的公告，因此我想将它们转换为文本而不将它们保存在我的 PC 上.对此有任何 Python 代码解决方案吗？谢谢

【问题讨论】：

标签： python html pdf web-scraping pdftotext

【解决方案1】：

有不同的方法可以做到这一点。但最简单的方法是在本地下载 PDF，然后使用以下 Python 模块之一提取文本 (OCR)：

这是一个简单的代码示例（使用 pdfplumber）

from urllib.request import urlopen
import pdfplumber
url = 'https://archives.nseindia.com/corporate/ICRA_26012022091856_BSER3026012022.pdf'
response = urlopen(url)
file = open("img.pdf", 'wb')
file.write(response.read())
file.close()
try:
    pdf = pdfplumber.open('img.pdf')
except: 
    # Some files are not pdf, these are annexes and we don't want them. Or error reading the pdf (damaged ? )
    print(f'Error. Are you sure this is a PDF ?')
    continue
#PDF plumber text extraction
page = pdf.pages[0]
text = page.extract_text()

编辑：我的错，刚刚意识到你问“没有将它保存到我的电脑”。话虽如此，我也废弃了很多（1000 多个）pdf，但都将它们保存为“img.pdf”，所以它们只是不断地相互替换，最终只有 1 个 pdf 文件。在不保存文件的情况下，我不会为 PDF OCR 提供任何解决方案。很抱歉：'(

【讨论】：

但这正是我不想做的，先生。我试过用这种方式。但这是不可行的，因为他们每天有 1000 多个这样的 PDF。因此将它们存储在 PC 中是不可行的，任何方式都可以仅在该 python 代码中完成所有操作？？
是的，抱歉，我理解的有点晚了。但是，如果您的问题是磁盘空间，只需使用通用名称保存它们，使它们一遍又一遍地替换就可以了。如果您的问题是时间处理，那么我把它留给其他人，并且我对答案很感兴趣，因为我试图这样做但没有成功。