使用 PyMuPDF(fitz)库打开 PDF 文件,并且是从内存中的字节流(BytesIO)读取 PDF 内容

使用 PyMuPDF(fitz)库打开 PDF 文件 ,并且是从内存中的字节流(BytesIO)读取 PDF 内容,而不是直接从文件路径加载。

详细解释

python 复制代码
import fitz  # PyMuPDF 库,用于处理 PDF 文件
pdf_document = fitz.open(stream=BytesIO(pdf_content), filetype="pdf")
  • pdf_content :这个变量应是 PDF 文件的二进制数据 (例如,pdf_content = some_pdf_file.read())。
  • BytesIO(pdf_content) :将 pdf_content 转换为内存中的字节流 ,模拟文件读取,使 fitz.open() 可以像处理本地文件一样读取 PDF。
  • fitz.open()
    • stream=BytesIO(pdf_content):表示从字节流(即内存中的 PDF 数据)打开文件,而不是从磁盘文件路径打开。
    • filetype="pdf":指定文件类型为 "pdf",这样 fitz 就不会误判格式。

举个例子

假设 pdf_content 是一个从某个 API 下载的 PDF 文件内容:

python 复制代码
import requests
from io import BytesIO
import fitz

# 从 URL 获取 PDF 文件
url = "https://www.example.com/sample.pdf"
response = requests.get(url)

# 确保请求成功
if response.status_code == 200:
    pdf_content = response.content  # 获取 PDF 文件的二进制数据

    # 使用 PyMuPDF 从二进制数据加载 PDF
    pdf_document = fitz.open(stream=BytesIO(pdf_content), filetype="pdf")

    # 读取第一页文本
    first_page_text = pdf_document[0].get_text()
    print(first_page_text)

    pdf_document.close()

总结

代码适用于处理二进制格式的 PDF 文件,尤其是在:

  1. PDF 直接从 API/网络请求获取,不存到本地文件时。
  2. PDF 作为字节数据存储在数据库或其他系统中,需要直接解析时。
  3. 文件上传到 Web 应用后,想在内存中解析,避免文件存储操作时。

这样做的好处是节省 I/O 操作,提高性能,并能处理动态生成的 PDF 文件

相关推荐
陈敬雷-充电了么-CEO兼CTO36 分钟前
推荐算法系统系列>推荐数据仓库集市的ETL数据处理
大数据·数据库·数据仓库·数据挖掘·数据分析·etl·推荐算法
MeshddY39 分钟前
(超详细)数据库项目初体验:使用C语言连接数据库完成短地址服务(本地运行版)
c语言·数据库·单片机
wuxinyan12340 分钟前
Java面试题033:一文深入了解MySQL(5)
java·数据库·mysql·面试
萧曵 丶1 小时前
Spring @TransactionalEventListener
java·数据库·spring·事务·transactional·异步
胡斌附体1 小时前
mobaxterm终端sqlplus乱码问题解决
数据库·乱码·sqlplus·字符集设置
moon66sun1 小时前
开源项目XYZ.ESB:数据库到数据库(DB->DB)集成
数据库·esb
TDengine (老段)2 小时前
使用 StatsD 向 TDengine 写入
java·大数据·数据库·时序数据库·iot·tdengine·涛思数据
DarkAthena2 小时前
【GaussDB】深度解析:创建存储过程卡死且无法Kill会话的疑难排查
数据库·gaussdb
Gauss松鼠会2 小时前
GaussDB权限管理:从RBAC到精细化控制的企业级安全实践
大数据·数据库·安全·database·gaussdb
时序数据说2 小时前
时序数据库IoTDB用户自定义函数(UDF)使用指南
大数据·数据库·物联网·开源·时序数据库·iotdb