在 AWS Lambda 中将 doc/docx 转换为 pdf？

Question

尝试过：

• 预制 Lambda 应用程序 docx 到 pdf（该应用程序不再可部署） https://github.com/NativeDocuments/docx-to-pdf-on-AWS-Lambda
• 安装 comtypes.client 和 win32com.client（在 lambda 中部署后似乎都不起作用）出现错误：无法导入模块“lambda_function”：无法导入名称“COMError”

可能性：

-当我从 s3 获取文档文件时，在浏览器 JS 中将其转换为 PDF。- 以某种方式修复部署包中的 comtypes 或 win32com。正在使用Python 3.6。

import json
import urllib
import boto3
from boto3.s3.transfer import TransferConfig
from botocore.exceptions import ClientError
import lxml
import comtypes.client
import io
import os
import sys
import threading
from docx import Document

def lambda_handler(event, context):

    bucket = event['Records'][0]['s3']['bucket']['name']
    key = urllib.parse.unquote_plus(event['Records'][0]['s3']['object']['key'], encoding='utf-8')

    try:
        response = s3.get_object(Bucket=bucket, Key=key)

        # Creating the Document
        f = io.BytesIO(response['Body'].read())
        document = Document(f)

        //Code for formating my document object in this hidden section.

        document.save('/tmp/'+key)
        pdfkey = key.split(".")[0]+".pdf"

        //The following function is suppose to convert my doc to pdf
        doctopdf('/tmp/'+ key,'/tmp/'+pdfkey) 

        //PDF file is then saved to s3
        s3.upload_file('/tmp/'+pdfkey,'output',pdfkey)

    except exceptions as e:
        Logging.error(e)
        raise e

def doctopdf(in_file,out_file):
    word = comtypes.client.CreateObject('Word.Application')
    doc = word.Documents.Open(in_file)
    doc.SaveAs(out_file, FileFormat=wdFormatPDF)
    doc.Close()
    word.Quit()

Answer 1

我还遇到过将 Word 文档 (doc/docx) 转换为 PDF 或任何其他文档类型的问题。我通过 LibreOffice 和 Python 3.8（也适用于 python 3.6 和 3.7）使用 AWS Lambda 中的子进程解决了这个问题。

基本上，此设置将通过输入事件从 S3 中选取文件，并将文件转换为 PDF，并将转换后的文件放入相同的 S3 位置。让我们浏览一下设置指南。

对于此设置，我们需要可通过 Lambda 访问的 LibreOffice 可执行文件。为了实现这一目标，我们将使用 Lambda 层。现在，您有两个选择：

1. 您可以创建自己的AWS Lambda层并上传layer.tar.br.zip（您可以从shelfio GitHub存储库下载此存档）
2. 或者，您可以直接在 Lambda 中使用 Layer ARN。
   2.1. python3.6 和 3.7
   2.2 的层 ARN。python 3.8 的层 ARN

是时候创建 Lambda（依赖包）了。

1. 在 lambda 文件夹的根目录中创建fonts/fonts.conf以下内容（假设 libreoffice 将在 /tmp/instdir 目录下提取）：

<?xml version="1.0"?>
<!DOCTYPE fontconfig SYSTEM "fonts.dtd">
<fontconfig>
<dir>/tmp/instdir/share/fonts/truetype</dir>
<cachedir>/tmp/fonts-cache/</cachedir>
<config></config>
</fontconfig>

2. 将以下代码粘贴到您的lambda_function.py文件中：

import os
from io import BytesIO
import tarfile
import boto3
import subprocess
import brotli

libre_office_install_dir = '/tmp/instdir'

def load_libre_office():
    if os.path.exists(libre_office_install_dir) and os.path.isdir(libre_office_install_dir):
        print('We have a cached copy of LibreOffice, skipping extraction')
    else:
        print('No cached copy of LibreOffice exists, extracting tar stream from Brotli file.')
        buffer = BytesIO()
        with open('/opt/lo.tar.br', 'rb') as brotli_file:
            decompressor = brotli.Decompressor()
            while True:
                chunk = brotli_file.read(1024)
                buffer.write(decompressor.decompress(chunk))
                if len(chunk) < 1024:
                    break
            buffer.seek(0)

        print('Extracting tar stream to /tmp for caching.')
        with tarfile.open(fileobj=buffer) as tar:
            tar.extractall('/tmp')
        print('Done caching LibreOffice!')

    return f'{libre_office_install_dir}/program/soffice.bin'


def download_from_s3(bucket, key, download_path):
    s3 = boto3.client("s3")
    s3.download_file(bucket, key, download_path)


def upload_to_s3(file_path, bucket, key):
    s3 = boto3.client("s3")
    s3.upload_file(file_path, bucket, key)


def convert_word_to_pdf(soffice_path, word_file_path, output_dir):
    conv_cmd = f"{soffice_path} --headless --norestore --invisible --nodefault --nofirststartwizard --nolockcheck --nologo --convert-to pdf:writer_pdf_Export --outdir {output_dir} {word_file_path}"
    response = subprocess.run(conv_cmd.split(), stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    if response.returncode != 0:
        response = subprocess.run(conv_cmd.split(), stdout=subprocess.PIPE, stderr=subprocess.PIPE)
        if response.returncode != 0:
            return False
    return True


def lambda_handler(event, context):
    bucket = event["document_bucket"]
    key = event["document_key"]
    key_prefix, base_name = os.path.split(key)
    download_path = f"/tmp/{base_name}"
    output_dir = "/tmp"

    download_from_s3(bucket, key, download_path)

    soffice_path = load_libre_office()

    is_converted = convert_word_to_pdf(soffice_path, download_path, output_dir)
    if is_converted:
        file_name, _ = os.path.splitext(base_name)
        upload_to_s3(f"{output_dir}/{file_name}.pdf", bucket, f"{key_prefix}/{file_name}.pdf")
        return {"response": "file converted to PDF and available at same S3 location of input key"}
    else:
        return {"response": "cannot convert this document to PDF"}

3. site-packages/brotli从 Linux 环境构建（并在安装后从 Linux 环境复制）brotlipy依赖项，因为目标 Lambda 运行时是 AmazonLinux。

最后，您的 lambda（依赖包）的目录结构应如下所示：

.
+-- brotli/*
+-- fonts
|   +-- fonts.conf
+-- lambda_function.py

如果您的文件 s3 URI 是，您可以使用以下输入事件来调用此 Lambda 处理程序s3://my-bucket-name/dir/file.docx：

{
    "document_bucket: "my-bucket-name"
    "document_key": "dir/file.docx"
}

干杯! 如果您遇到任何问题，请告诉我，我们很乐意为您提供帮助:)