python - 如何在 Django 模型中从 PDF 中提取并保存文件

Question

我现在正在开发一个项目，需要提取附加到模型的 PDF。然后将 PDF 与项目相关联，如下 models.py:

class Project(models.Model):
   name = models.CharField(max_length=100)
   files = models.FileField('PDF Dataset',
                            help_text='Upload a zip here',
                            null=True)

class Pdf(models.Model):
   name = models.CharField(max_length=100)
   file = models.FileField(null=True)
   project = models.ForeignKey(Project, on_delete=models.CASCADE)

然后我可以通过 Celery 触发一个任务来提取 PDF 并将每个文件保存为自己的记录。我的示例tasks.py如下:

from django.core.files.base import ContentFile
from celery import shared_task
from zipfile import ZipFile
import re

def extract_pdfs_from_zip(self, project_id: int):
    project = Project.objects.get(pk=project_id)
    ...
    # Start unzipping from here.
    # NOTE: This script precludes that there's no MACOSX shenanigans in the zip file.
    pdf_file_pattern = re.compile(r'.*\.pdf')
    pdf_name_pattern = re.compile(r'.*\/(.*\.pdf)')
    with ZipFile(project.files) as zipfile:
       for name in zipfile.namelist():
           # S2: Check if file is .pdf
           if pdf_file_pattern.match(name):
                pdf_name = pdf_name_pattern.match(name).group(1)
                print('Accessing {}...'.format(pdf_name))
                # S3: Save file as a new Pdf entry
                new_pdf = Pdf.objects.create(name=pdf_name, project=project)
                new_pdf.file.save(ContentFile(zipfile.read(name)),
                                  pdf_name, save=True) # Problem here
                print('New document saved: {}'.format(new_pdf))
           else:
                print('Not a PDF: {}'.format(name))
    return 'Run complete, all PDFs uploaded.'

由于某种原因，保存文档的部分不再输出 PDF。我知道原始 zip 的内容，所以我确定它们是 PDF。有什么想法如何保存文件同时保留其 PDF 格式吗？

预期结果是 PDF 可读。现在，当我打开文件时，它显示为已损坏。感谢您对此的帮助。

Answer 1

糟糕，看起来我的 zip 文件因删除其中的 _MACOSX 文件而被损坏。我在tasks.py 文件之外进行了删除。请参阅Mac zip compress without __MACOSX folder?了解更多详情。