PyPDF2 和从 S3 解码 pdf 文件的问题

Question

我正在尝试获取存储在 AWS 中的 S3 存储桶之一中的 pdf 文件，并获取其一些元数据，例如页数和文件大小。我成功从 S3 存储桶获取 pdf 文件，在调用 print(obj) 时获取此文件

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 解码文件是唯一不会引发异常的文件，但是当尝试将其作为参数传递到 PdfFileReader 时，我收到错误，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此 pdf 文件，或者是否像 pdfFileReader 的第一个参数必须是文件路径之类的其他内容？有没有一种更简单的方法来访问 S3 pdf 对象的元数据，而无需费力去实现？

Python脚本

import boto3
from PyPDF2 import PdfReader

s3 = boto3.resource('s3')
obj = s3.Object(bucket_name, itemname)
parse3 = obj.get()['Body'].read().decode("ISO-8859-1")
pdfFile = PdfReader(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 来完成这项艰苦的工作。

2. 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：

from BytesIO import BytesIO