在 python 中将 PDF 文件（或任何二进制文件）转换为字符串（不是从 pdf 中抓取文本）

Question

我正在使用只接受字符串的 api。它的目的是存储东西。我希望能够读取二进制文件，将二进制数据转换为字符串，然后存储该字符串。然后我想检索字符串，转换回二进制文件，然后保存文件。

所以我想做的是（在Python中）：

PDF -> 作为字符串加载到程序中 -> 存储字符串 -> 检索字符串 -> 保存为二进制 PDF 文件

例如，我有一个名为 PDFfile 的 PDF。我想阅读它：

datafile=open(PDFfile,'rb')
pdfdata=datafile.read()

当我阅读 .read 函数时，它说它应该产生一个字符串。它没有，或者如果有，它也采用将其定义为二进制的部分。我稍后有两行代码将其打印出来：

print(pdfdata[:20])
print(str(pdfdata[:20]))

结果是这样的：

b'%PDF-1.3\n%\xc4\xe5\xf2\xe5\xeb\xa7\xf3\xa0\xd0\xc4'
b'%PDF-1.3\n%\xc4\xe5\xf2\xe5\xeb\ xa7\xf3\xa0\xd0\xc4'

对我来说，这些看起来像是 2 个字节类型，但显然，第二个是一个字符串。当我这样做时，type(pdfdata)我会得到字节。

我正在努力尝试获取代表 PDF 文件的干净字符串，然后将其转换回字节格式。如果我在未对其进行字符串化的情况下发送该 API，则该 API 会失败。

str(pdfdata)

我也尝试过使用编码和解码，但出现编码/解码无法处理 0xc4 的错误，这显然位于二进制文件中。

最后的奇怪之处：

当我存储 str(pdfdata) 并将其检索到“retdata”时，我会打印一些字节并与原始数据进行比较

print(pdfdata[:20])
print(retdata[:20])

我得到了非常不同的结果

b'%PDF-1.3\n%\xc4\xe5\xf2\xe5\xeb\xa7\xf3\xa0\xd0\xc4'
b'%PDF-1.3\n%\xc4\xe

但如果我显示 retdata 的 50 个字符，数据就在那里

b'%PDF-1.3\n%\xc4\xe5\xf2\xe5\xeb\xa7\xf3\xa0\xd0\

不用说，当我检索数据并将其存储为 pdf 时，它已损坏并且无法工作。

当我保存字符串化的 pdf 和检索到的数据的字符串版本时，它们是相同的。所以字符串的存储和检索工作正常。

所以我认为当我转换为字符串时会发生损坏。

我知道我有点啰嗦，但你们喜欢了解所有信息。

Answer 1

好的，我让这个工作了。关键是在将二进制数据转换为字符串之前对其进行正确编码。

步骤1）读入二进制数据

datafile=open(PDFfile,'rb')
pdfdatab=datafile.read()    #this is binary data
datafile.close()

步骤2）将数据编码为字节数组

import codecs
b64PDF = codecs.encode(pdfdatab, 'base64')

步骤3）将字节数组转换为字符串

Sb64PDF=b64PDF.decode('utf-8')

现在可以恢复字符串了。要取回它，您只需执行相反的操作即可。将字符串数据从存储加载到字符串变量 retdata 中。

#so we have a string and want it to be bytes
bretdata=retdata.encode('utf-8')

#now lets get it back into the binary file format
bPDFout=codecs.decode(bretdata, 'base64')

#open a new file and put defragments data into it!
datafile=open(newPDFFile,'wb')
datafile.write(bPDFout)
datafile.close()