如何使用Requests在线解码PDF文本？

Question

如何使用Requests在线解码PDF文本？

5

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，它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，我使用了requests库。下面是我的代码：

import requests

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

print(response.content)

然而打印出来的是以下字符串（由于太长，我将截断）：

> 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

我在StackExchange和其他网站上搜索了几天，尝试使用print(response.content.decode('utf-8')和ASCII编码，但都无法让我读懂内容。抱歉，我知道我是个新手，希望能得到帮助。非常感谢。

- James Ward

3个回答

0

你可以简单地将一个URL粘贴到一个shell脚本中，就像我在这里使用那个地址一样，但它也可以是地址列表。

@echo off&Title PDF URL TO TXT&Color 9F
if not "%1"=="" set "URL=%1"
if "%1"=="" set /p "URL=URL ? "

curl -o "%temp%\temp.pdf" "%URL%"
timeout 5
"%temp%\temp.pdf"
"C:\Apps\PDF\poppler\23.01.0\Library\bin\pdftotext.exe" -layout -nopgbrk -enc UTF-8 "%temp%\temp.pdf"
notepad "%temp%\temp.txt"

有几种方法可以复制粘贴URL，就像我从问题中点击我方便的下拉命令所做的那样，并且有许多方法可以解析结果文本文件以查找单词，但最简单的方法是从现在打开的文件中查找、剪切和粘贴。

显然，这种方法对于一些更安全的目标站点可能不起作用，但对于大多数常规PDF URL应该是有效的。

- K J

0

该响应是表示 PDF 内容的编码字符串。您需要使用提取工具，例如 pdfminer。页面上有一个示例，展示了如何通过 Python 进行样本提取。

- Sohail Khan

我尝试使用PyPDF2，但它显示该pdf已加密，我不确定密码是什么。这是我的代码：`import PyPDF2pdfobj = open('test.pdf', 'rb') pdfreader = PyPDF2.PdfFileReader(pdfobj) #pageobj = pdfreader.getPage(0) print(pdfreader.isEncrypted)`这将返回true，但我不确定密码是什么。 - James Ward

您能在其他应用程序中打开“test.pdf”吗？如果不能，则可能已经加密了密码。在这种情况下，如果不知道密码或使用的加密算法，则打开它将非常困难。 - Sohail Khan

我可以在电脑上无需密码打开它。我感到相当困惑。谢谢您的快速回复。 - James Ward

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- DRPK · Accepted Answer

PDF文件是二进制格式，您需要按照其格式及其页眉页脚来读取它。您不能将二进制文件作为原始字符串读取。

1）如果文件名中有任何空格，则无论返回成功代码，PyPDF 2 解密函数最终都会失败。尝试在运行 PyPDF2 之前将 PDF 文件命名为带下划线的名称。

例如，使用 "my_pdf.pdf" 而不是 "my pdf.pdf"。

2）尝试使用空字符串作为密码进行解密。

请尝试这样做：

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())