创建 bytesIO 对象

Question

我正在研究Scrapy蜘蛛，尝试使用slate从目录中的多个 PDF 文件中提取文本。我对将实际的 PDF 保存到磁盘没有兴趣，因此建议我查看https://docs.python.org/2/library/io.html#buffered-streams上的 io.bytesIO 子类。

但是我不确定如何将 PDF 正文传递给 bytesIO 类，然后传递虚拟 PDF 板岩来获取文本。到目前为止我有：

class Ove_Spider(BaseSpider):

    name = "ove"


    allowed_domains = ['myurl.com']
    start_urls = ['myurl/hgh/']


    def parse(self, response):
        for a in response.xpath('//a[@href]/@href'):
            link = a.extract()
            if link.endswith('.pdf'):
                link = urlparse.urljoin(base_url, link)
                yield Request(link, callback=self.save_pdf)

    def save_pdf(self, response):

      in_memory_pdf = BytesIO()
      in_memory_pdf.read(response.body) # Trying to read in PDF which is in response body

我越来越：

in_memory_pdf.read(response.body)
TypeError: integer argument expected, got 'str'

我怎样才能让它发挥作用？

Answer 1

当你这样做时，in_memory_pdf.read(response.body)你应该传递要读取的字节数。您想要初始化缓冲区，而不是读入其中。

在 python 2 中，只需初始化BytesIO为：

 in_memory_pdf = BytesIO(response.body)

在 Python 3 中，您不能使用BytesIO字符串，因为它需要字节。错误消息显示其response.body类型为str：我们必须对其进行编码。

 in_memory_pdf = BytesIO(bytes(response.body,'ascii'))

但由于 pdf 可以是二进制数据，我想那response.body将是bytes，而不是str。在这种情况下，简单的in_memory_pdf = BytesIO(response.body)方法就可以了。