python 从Url获取pdf内容:


def getpdfContent(url):
    import urllib3
    import io
    import PyPDF2
    urllib3.disable_warnings()
    contents = ''
    # url = 'https://www.apc-paris.com/system/files/file_fields/2022/04/14/apc-trophees-coachcopro-vf.pdf'
    with urllib3.PoolManager() as http:
        r = http.request('GET', url)
        with io.BytesIO(r.data) as f:
            reader = PyPDF2.PdfFileReader(f)
            nums = reader.getNumPages()
            print(type(nums), nums)
            for i in range(int(nums)):
                pageContent = ' '.join(reader.getPage(0).extractText().split('\n'))
                contents += pageContent
    # print(contents)
    return contents

### 使用 Python 下载并操作 PDF 文件 为了实现从 URL 中下载所有 PDF 文件,可以采用 `requests` 和 `BeautifulSoup` 库来获取页面内容,并通过正则表达式筛选出所有的 PDF 链接。之后利用 `urllib.request.urlretrieve()` 函数保存这些文件到本地。 #### 获取网页中的所有 PDF 链接 ```python from bs4 import BeautifulSoup import requests import re response = requests.get(url) soup = BeautifulSoup(response.text, 'html.parser') links = soup.find_all('a', href=re.compile(r'\.pdf$')) ``` 上述代码片段会解析指定网址的内容,并查找所有指向 `.pdf` 结尾资源的超链接标签[^2]。 #### 下载找到的所有 PDF 文件 ```python import os import urllib.request for link in links: pdf_url = urllib.parse.urljoin(url, link['href']) file_name = os.path.basename(urllib.parse.unquote(pdf_url)) try: print(f'Downloading {file_name}') urllib.request.urlretrieve(pdf_url, f'downloads/{file_name}') except Exception as e: print(e) ``` 这段程序遍历之前提取出来的每一个 PDF 的相对路径,将其转换成绝对路径后尝试下载至当前目录下的 "downloads" 子文件夹内;如果遇到错误,则打印异常信息而不中断整个过程[^1]。 #### 对已下载的 PDF 进行基本的操作 对于已经成功存储下来的 PDF 文档来说,还可以借助 PyPDF2 或者其他第三方库来进行进一步处理: - **读取 PDF 内容** 可以使用 PyPDF2 来打开和阅读 PDF 文件的文字部分。 ```python from PyPDF2 import PdfReader reader = PdfReader(file_path) page_text = "" for i in range(len(reader.pages)): page_text += reader.pages[i].extract_text() print(page_text[:500]) # 打印前500字符作为示例 ``` - **合并多个 PDF** 如果有需求将多份文档合成为一个新的 PDF 文件的话,也可以依靠此工具完成任务。 ```python from PyPDF2 import PdfMerger merger = PdfMerger() files_to_merge = ['doc1.pdf', 'doc2.pdf'] for filename in files_to_merge: merger.append(filename) output_filename = 'merged_output.pdf' with open(output_filename, 'wb') as fout: merger.write(fout) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值