amazon-web-services - 在 AWS Lambda 中将 doc/docx 转换为 pdf？

Question

尝试:

预制的 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(一旦部署在 lambda 中似乎都不起作用)
获取错误:无法导入模块“lambda_function”:无法导入名称“COMError”

可能性:

- 当我从 s3 获取它时，在 Browser JS 中将 doc 文件转换为 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

我还遇到了将 Word 文档 (doc/docx) 转换为 PDF 或任何其他文档类型的问题。我使用 AWS Lambda 中的子进程通过 LibreOffice 和 Python 3.8(也适用于 python 3.6 和 3.7)解决了这个问题。
基本上，此设置将通过输入事件从 S3 中选取您的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。让我们来看看设置指南。
对于此设置，我们需要可通过 Lambda 访问的 LibreOffice 可执行文件。为此，我们将使用 Lambda 层。
现在，您有两个选择:

您可以 create your own AWS Lambda layer并上传 layer.tar.br.zip(您可以从 shelfio GitHub repository 下载此存档)

或者，您可以直接在 Lambda 中使用层 ARN。
2.1. Layer ARN for python3.6 and 3.7
2.2. Layer ARN for python 3.8

是时候创建 Lambda(依赖包)了。

创建 fonts/fonts.conf在您的 lambda 文件夹的根目录中，包含以下内容(假设 libreoffice 将被提取到/tmp/instdir 目录下):

<?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>

将以下代码粘贴到您的 lambda_function.py 中文件:

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(executable_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"}

构建(安装后从 Linux 环境中的 site-packages/brotli 复制) brotlipy 依赖于 Linux 环境，因为目标 Lambda 运行时是 AmazonLinux。

最后，你的 lambda(依赖包)的目录结构应该是这样的:

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

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

{
    "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，很乐意为您提供帮助:)