3

我在 Python 中使用 urllib 的 urlretrieve() 函数来尝试从网站上获取一些 pdf。它(至少对我而言)已停止工作并正在下载损坏的数据(15 KB 而不是 164 KB)。

我已经用几个 pdf 对此进行了测试,但都没有成功(即random.pdf)。我似乎无法让它工作,我需要能够为我正在从事的项目下载 pdf 文件。

这是我用来下载 pdf 的代码类型的示例(并使用pdftotext.exe解析文本):

def get_html(url): # gets html of page from Internet
    import os
    import urllib2
    import urllib
    from subprocess import call
    f_name = url.split('/')[-2] # get file name (url must end with '/')
    try:
        if f_name.split('.')[-1] == 'pdf': # file type
            urllib.urlretrieve(url, os.getcwd() + '\\' + f_name)
            call([os.getcwd() + '\\pdftotext.exe', os.getcwd() + '\\' + f_name]) # use xpdf to output .txt file
            return open(os.getcwd() + '\\' + f_name.split('.')[0] + '.txt').read()
        else:
            return urllib2.urlopen(url).read()
    except:
        print 'bad link: ' + url    
        return ""

我是一个新手程序员,所以任何输入都会很棒!谢谢

4

3 回答 3

9

我建议尝试requests。这是一个非常好的库,它隐藏了一个简单的 api 后面的所有实现。

>>> import requests
>>> req = requests.get("http://www.mathworks.com/moler/random.pdf")
>>> len(req.content)
167633
>>> req.headers
{'content-length': '167633', 'accept-ranges': 'bytes', 'server': 'Apache/2.2.3 (Red Hat) mod_jk/1.2.31 PHP/5.3.13 Phusion_Passenger/3.0.9 mod_perl/2.0.4 Perl/v5.8.8', 'last-modified': 'Fri, 15 Feb 2008 17:11:12 GMT', 'connection': 'keep-alive', 'etag': '"30863b-28ed1-446357e3d4c00"', 'date': 'Sun, 03 Feb 2013 05:53:21 GMT', 'content-type': 'application/pdf'}

顺便说一句,您只能下载 15kb 的原因是您的 url 错误。它应该是

http://www.mathworks.com/moler/random.pdf

但你得到了

http://www.mathworks.com/moler/random.pdf/

>>> import requests
>>> c = requests.get("http://www.mathworks.com/moler/random.pdf/")
>>> len(c.content)
14390
于 2013-02-03T05:54:32.327 回答
2

将文件写入光盘:

myfile = open("out.pdf", "w")
myfile.write(req.content)
于 2015-06-27T19:08:45.513 回答
0

也许它有点晚了,但你可以试试这个:只需将内容写入一个新文件并使用 textract 读取它,因为这样做没有给我包含'#$'的不需要的文本。

import requests
import textract
url = "The url which downloads the file"
response = requests.get(url)
with open('./document.pdf', 'wb') as fw:
    fw.write(response.content)
text = textract.process("./document.pdf")
print('Result: ', text)
于 2017-05-30T10:21:19.403 回答