python - 从 url 读取 pdf 到内存省略保存文件到本地文件

Question

我在忽略将文件保存到本地文件时遇到问题。我的问题是如何将 url 内容直接传递给 pdfplumber 模块。我的代码如下

from pathlib import Path
import urllib3
import pdfplumber

def read_pdf(url: str) -> str:
    http = urllib3.PoolManager()
    temp = Path('temp.pdf')
    temp.write_bytes(http.request("GET", url).data)
    with pdfplumber.open(temp) as pdf:
        text = pdf.pages[0].extract_text()
    temp.unlink()
    return text

text = read_pdf('https://sample.com/test.pdf')

它可以工作，但我想避免将文件保存到本地，而是只在 RAM 中进行。我试过 io.BytesIO 但它不起作用

Answer 1

与之前的建议不同，您应该使用 pdfplumber.open 而不是 pdfplumber.load! The link用于 pdfplumber 的 repo 。

Warning: pdfplumber.load is deprecated.Please use pdfplumber.open(with same arguments) instead.

因此，除了使用 pdfplumber.open 方法之外，下面的代码提取整个页面而不是第一页。

import urllib3
import pdfplumber
import io


def extract_pdf_by_url(url):
    http = urllib3.PoolManager()
    temp = io.BytesIO()
    temp.write(http.request("GET", url).data)
    all_text = ''
    with pdfplumber.open(temp) as pdf:
        for pdf_page in pdf.pages:
            single_page_text = pdf_page.extract_text()
            all_text = all_text + '\n' + single_page_text
    return all_text

url  = 'https://raw.githubusercontent.com/jsvine/pdfplumber/stable/examples/pdfs/background-checks.pdf'
text = extract_pdf_by_url(url)
print(text)