PHP中无需本地保存即可从URL读取PDF内容的技术问询

绝对有办法实现！你完全可以跳过本地保存这一步，直接从URL获取PDF的字节流并在内存中解析内容。我用Python给你演示两种常用的方案，其他编程语言的思路也是大同小异的：

方案一：用 requests + PyPDF2 做基础文本提取 #

这是最经典的组合，适合不需要复杂格式的纯文本提取需求：

import requests
from PyPDF2 import PdfReader
from io import BytesIO

pdf_url = "http://www.document.com/1.pdf"

# 发起请求获取PDF的字节流
response = requests.get(pdf_url)
response.raise_for_status()  # 请求失败时直接抛出异常，方便排查问题

# 将字节内容包装成内存中的文件对象，无需写入本地
with BytesIO(response.content) as pdf_file:
    reader = PdfReader(pdf_file)
    pdf_text = ""
    # 遍历每一页提取文本
    for page in reader.pages:
        extracted_text = page.extract_text()
        if extracted_text:  # 跳过空页面，避免冗余换行
            pdf_text += extracted_text + "\n"

# 现在pdf_text变量里就存储着PDF的全部文本内容了
print(pdf_text)

方案二：用 requests + pdfplumber 做精准提取 #

如果需要保留部分格式、提取表格或者更精准的文本定位，pdfplumber会是更好的选择：

import requests
import pdfplumber
from io import BytesIO

pdf_url = "http://www.document.com/1.pdf"

response = requests.get(pdf_url)
response.raise_for_status()

with pdfplumber.open(BytesIO(response.content)) as pdf:
    pdf_text = ""
    for page in pdf.pages:
        pdf_text += page.extract_text() + "\n"
        # 如果需要提取表格，可以用 page.extract_table() 获取结构化表格数据

print(pdf_text)

几个关键注意事项 #

• 目标PDF必须是公开可访问的，如果网站需要登录或权限验证，记得在请求头里添加对应的认证信息（比如Cookie、Authorization字段）
• 很多网站会拦截非浏览器的请求，你可以在requests.get()里加上模拟浏览器的User-Agent，比如：

  headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/114.0.0.0 Safari/537.36"}
  response = requests.get(pdf_url, headers=headers)
  

• 如果遇到加密的PDF，需要调用对应库的解密方法（比如PyPDF2的reader.decrypt("你的密码")）才能提取内容

内容的提问来源于stack exchange，提问作者Adrianna Tyszkiewicz