使用fitz.open()读取Zip压缩包内PDF文件失败的技术咨询

问题根源 #

你遇到的报错核心原因是：zipObj.namelist()返回的是压缩包内部的文件路径，这些文件并没有被解压到本地磁盘。不管用压缩包内的相对路径，还是拼接下载文件夹的绝对路径，系统都找不到对应的文件——因为文件只存在于Zip包的内存流中，没有实际写入本地文件系统。

解决方法 #

不需要将PDF文件解压到本地，直接从Zip包中读取文件的字节流，再用fitz加载这个字节流即可。具体步骤：

• 找到目标PDF在Zip包内的路径后，通过zipObj.open()获取压缩包内的文件对象
• 读取该文件对象的字节内容
• 用fitz.open("pdf", 字节内容)直接从内存加载PDF

修正后的代码 #

import zipfile as ZipFile
import fitz
import os  # 原代码用到了os.path.join，需要导入

def getjobcode(self, filename):
    jobcode = None
    if '.zip' in filename:
        with ZipFile(filename, 'r') as zipObj:
            for document in zipObj.namelist():
                if 'plans' in document.lower():
                    # 从压缩包中读取PDF的字节流
                    with zipObj.open(document) as pdf_file:
                        pdf_bytes = pdf_file.read()
                        # 直接从字节流加载PDF
                        doc = fitz.open("pdf", pdf_bytes)
                        page1 = doc.load_page(0)
                        page1text = page1.get_text('text')
                        # 增加异常处理，避免找不到"PROJECT NUMBER"时崩溃
                        if 'PROJECT NUMBER' in page1text:
                            start_idx = page1text.index('PROJECT NUMBER')
                            jobcode = page1text[start_idx:start_idx + 30][-12:]
                        # 找到第一个符合条件的PDF就退出循环，按需调整
                        break
    return jobcode

额外说明 #

• 代码中增加了jobcode的初始值和异常处理，避免因找不到目标文本导致程序崩溃
• 如果Zip包内有多个含"plans"的PDF，当前代码会处理第一个，若需要处理全部可去掉break

内容的提问来源于stack exchange，提问作者Ryan