我正在尝试创建一个 lambda 函数,它将访问上传到 s3 的 pdf 表单,并删除输入到表单中的数据并将其发送到其他地方。
当我可以在本地下载文件时,我就可以执行此操作。因此,下面的脚本可以工作并允许我将 pdf 中的数据读取到我的 pandas 数据框中:
import PyPDF2 as pypdf
import pandas as pd
s3 = boto3.resource('s3')
s3.meta.client.download_file(bucket_name, asset_key, './target.pdf')
pdfobject = open("./target.pdf", 'rb')
pdf = pypdf.PdfFileReader(pdfobject)
data = pdf.getFormTextFields()
pdf_df = pd.DataFrame(data, columns=get_cols(data), index=[0])
但是使用 lambda 我无法在本地保存文件,因为我收到“只读文件系统”错误。
我尝试使用 s3.get_object() 方法,如下所示:
s3_response_object= s3.get_object(
Bucket='pdf-forms-bucket',
Key='target.pdf',
)
pdf_bytes = s3_response_object['Body'].read()
但我不知道如何将生成的字节转换为可以用 PyPDF2 解析的对象。我需要的输出以及 PyPDF2 将产生的输出如下所示:
{'form1[0].#subform[0].nameandmail[0]': 'Burt Lancaster',
'form1[0].#subform[0].mailaddress[0]': '675 Creighton Ave, Washington DC',
'form1[0].#subform[0].Principal[0]': 'David St. Hubbins',
'Principal[1]': None,
'form1[0].#subform[0].Principal[2]': 'Bart Simpson',
'Principal[3]': None}
总之,我需要能够将带有可填写表单的 pdf 读取到内存中并解析它,而无需下载文件,因为我的 lambda 函数环境不允许本地临时文件。