0

我正在尝试通过点击 URL 来下载 PDF。假设我的 URL 如下所示：http: //foo.bar/this/downloads/pdf

如果我直接点击 URL，浏览器会下载 PDF，没有问题。但是，如果我尝试使用urllib2.urlopen我获取 PDF，我会得到一个不完整的文件。

url = "http://foo.bar/this/downloads/pdf"
sock = urllib2.urlopen(url)
content = sock.read()
with open('/tmp/test.pdf', 'w') as f:
    f.write(content)

/tmp/test.pdf 的最后 3 行看起来像这样（在变量中看起来像这样content）：

0000778731 00000 n 
0000778751 00000 n 
000

但我从浏览器下载的实际文件如下所示：

0000778731 00000 n 
0000778751 00000 n 
0000778772 00000 n 
...
%%EOF

每一个 PDF，无论大小，似乎都在这个最终的数字组合中的某个地方被切断了。

我尝试了以下解决方案，但都不起作用。urllib2我认为原因与读取数据的方式无关，而是根本没有得到完整的响应这一事实。

python，没有得到完整的响应

urllib2 未检索整个 HTTP 响应

可能是一个因素的另一件事（尽管我不确定）是 PDF 发送到浏览器的方式。据我所知，PDF 是使用 PHP x-sendfile 发送的。我只是对为什么部分下载 PDF 感到困惑。

4

1 回答 1

2

您必须打开文件以二进制模式写入（注意wb）：

with open('/tmp/test.pdf', 'wb') as f:
    f.write(content)

编辑：哦，您还必须继续阅读，直到.read()什么也没返回：

url = "http://foo.bar/this/downloads/pdf"
sock = urllib2.urlopen(url)
with open('/tmp/test.pdf', 'wb') as f:
    while True:
        content = sock.read()
        if not content: break
        f.write(content)

从urllib文档中：

一个警告：read() 方法，如果 size 参数被省略或为负，可能直到数据流结束才读取；在一般情况下，没有很好的方法来确定来自套接字的整个流是否已被读取。

这个警告没有出现在 的文档中urllib2，但同样的概念也适用。

于 2012-09-24T20:32:59.917 回答