Azure Data Factory带Cookie下载PDF至ADLS2及转PDF修复

问题核心 #

你当前的代码逻辑完全错误，导致无法还原原始PDF二进制内容：原代码将字符串转成UTF-8字节后做Base64编码，再解码，这相当于绕了一圈又回到了原字符串的UTF-8编码，根本没处理存储在Response里的原始PDF二进制数据，所以生成的文件必然损坏。

针对不同Response内容格式的解决方案 #

首先需要明确pdf_content_string的实际格式，对应以下处理方式：

情况1：Response内容是URL编码的二进制字符串（开头为%PDF）

HTTP活动返回的JSON中，二进制内容常被URL编码（每个字节用%XX表示），此时用URL解码即可还原原始字节：

from urllib.parse import unquote_to_bytes

# 解码URL编码的字符串，得到原始PDF字节
pdf_bytes = unquote_to_bytes(pdf_content_string)

# 写入ADLS Gen2（注意Databricks路径需用/dbfs前缀或dbutils操作）
with open("/dbfs/mnt/your-adls-container/path/output.pdf", "wb") as f:
    f.write(pdf_bytes)

# 或直接用dbutils写入
# dbutils.fs.put("/mnt/your-adls-container/path/output.pdf", pdf_bytes, overwrite=True)

情况2：Response内容是字节字符串的repr形式（如b'%PDF-1.4...'）

如果字符串是Python字节对象的字符串表示（带b'前缀和'后缀），需先清理格式再用Latin-1编码还原字节（Latin-1保证每个字符对应一个原始字节）：

# 移除字节字符串的标识前缀和引号
clean_content = pdf_content_string.strip("b'\"")
# 用Latin-1编码还原原始二进制
pdf_bytes = clean_content.encode('latin-1')

# 写入文件
with open("/dbfs/mnt/your-adls-container/path/output.pdf", "wb") as f:
    f.write(pdf_bytes)

情况3：Response内容是Base64编码字符串

如果确认Response里的字符串是Base64编码后的PDF内容，直接解码即可：

import base64

pdf_bytes = base64.b64decode(pdf_content_string, validate=True)

# 写入文件
with open("/dbfs/mnt/your-adls-container/path/output.pdf", "wb") as f:
    f.write(pdf_bytes)

验证方法 #

可以先打印pdf_content_string的前20个字符，判断其格式：

• 开头是%PDF → 情况1
• 开头是b'%PDF → 情况2
• 开头是类似JVBERi0xLjQK → 情况3（Base64编码的PDF开头）

内容的提问来源于stack exchange，提问作者Javier de la Iglesia