如何使用 Python 在谷歌云存储中拆分 PDF

如何解决如何使用 Python 在谷歌云存储中拆分 PDF

我有一个 PDF，我想为其每个页面创建不同的 PDF。如果不在本地下载任何东西，我怎么能这样做？我知道 Document AI 有一个文件拆分模块（它实际上可以识别不同的文件......这是最理想的），但它不是公开可用的。

我目前正在使用 PyPDF2 来执行此操作

    list_of_blobs = list(bucket.list_blobs(prefix = 'tmp/'))
    print(len(list_of_blobs))
    list_of_blobs[1].download_to_filename('/' + list_of_blobs[1].name)
    
    inputpdf = PdfFileReader(open('/' + list_of_blobs[1].name,"rb"))

    individual_files = []
    stream = io.StringIO()
    
    for i in range(inputpdf.numPages):
        output = PdfFileWriter()
        output.addPage(inputpdf.getPage(i))
        individual_files.append(output)
        with open("document-page%s.pdf" % (i + 1),"a") as outputStream:
            outputStream.write(stream.getvalue())
            #print(outputStream.read())
            with open(outputStream.name,'rb') as f:
                data = f.seek(85)
                data = f.read()
                individual_files.append(data)
                bucket.blob('processed/' +  "doc%s.pdf" % (i + 1)).upload_from_string(data,content_type='application/pdf')

在输出中，我看到不同的 PyPDF2 对象，例如 <PyPDF2.pdf.PdfFileWriter object at 0x12a2037f0> 但我不知道接下来应该如何进行。如果其他库效果更好，我也愿意使用其他库。

解决方法

我的程序无法运行的原因有两个：

1. 我试图以追加模式读取文件（我通过将第二个 with(open) 块移到第一个块之外来修复此问题，
2. 我应该一直在写字节（我通过将打开模式更改为“wb”而不是“a”来解决此问题）

以下是更正后的代码：

if inputpdf.numPages > 2:
   for i in range(inputpdf.numPages):
      output = PdfFileWriter()
      output.addPage(inputpdf.getPage(i))
      with open("/tmp/document-page%s.pdf" % (i + 1),"wb") as outputStream:
           output.write(outputStream)
      with open(outputStream.name,'rb') as f:
           data = f.seek(0)
           data = f.read()
           #print(data)
           bucket.blob(prefix + '/processed/' +  "page-%s.pdf" % (i + 1)).upload_from_string(data,content_type='application/pdf')
      stream.truncate(0)

,

要将一个 PDF 文件拆分为多个小文件（页面），您需要为此下载数据。您可以将数据具体化到一个文件中（在可写目录 /tmp 中）或简单地将它们保存在内存中的 Python 变量中。

在这两种情况下：

• 数据将驻留在内存中
• 您需要获取数据才能执行 PDF 拆分。

---

如果你绝对想在流中读取数据（我不知道PDF格式是否可行！！），你可以使用streaming feature of GCS。但是，由于下载的数据没有 CRC，我不会向您推荐此解决方案，除非您准备好处理损坏的数据、重试和所有相关内容。