Python - 从网页 PDF 中提取文本

Question

所以我遇到了一些关于将 PDF 转换为 HTML 或将它们转换为文本的帖子，但是它们都是从保存到计算机的文件中处理的。有没有办法在不下载 PDF 文件本身的情况下从网页 PDF 中提取文本（因为我将通过遍历 URL 列表来为大量文件这样做）？

我也很好奇哪个是实现这一目标的最佳库。pdfkit、pdf2txt、pdfminer 等？

这是我将要处理的格式的示例网站：http : //www.arkansasrazorbacks.com/wp-content/uploads/2017/02/Miami-Ohio-Game-2.pdf

Answer 1

您可以将文件下载为字节流并使用requests包装它io.BytesIO()，如下所示：

import io

import requests
from pyPdf import PdfFileReader

url = 'http://www.arkansasrazorbacks.com/wp-content/uploads/2017/02/Miami-Ohio-Game-2.pdf'

r = requests.get(url)
f = io.BytesIO(r.content)

reader = PdfFileReader(f)
contents = reader.getPage(0).extractText().split('\n')

f是一个类似于对象的文件，您可以像打开 PDF 文件一样使用它。这样文件只在内存中，永远不会保存在本地。

为了从 PDF 文件中获取文本，您可以使用 PyPdf。