Linux下Python3.7实现URL的doc/docx实时转PDF方案问询

需求为抓取外部站点的.doc/.docx文件，转换为PDF格式后返回内容，后续会为返回内容添加content-type响应头，通过自有CMS发布，经CDN缓存后，在HTML页面使用Adobe PDF Embed API完成PDF展示。当前开发环境为Python 3.7，部署环境为Linux。

当前可运行的实现代码 #

def generate_pdf():
    subprocess.call(['soffice', '--convert-to', 'pdf',
                    'https://arbitrary.othersite.com/anyfilename.docx'])
    sleep(1)
    myfile = open('anyfilename.pdf', 'rb')
    content = myfile.read()
    os.remove('anyfilename.pdf')
    return content

期望实现的逻辑 #

直接传入待转换文件的URL，调用转换命令后直接返回PDF内容，无需额外本地文件操作，理想逻辑代码如下：

def generate_pdf(url):
    result = subprocess.call(['soffice', '--convert-to', 'pdf', url])
    content = result
    return content

现存问题 #

实际业务场景中待转换URL可能携带各类请求参数、包含非法路径字符，很难预判soffice转换后生成的本地PDF文件名；同时现有方案中休眠等待、写临时文件、读文件、删除文件的流程冗余、效率较低。

核心诉求：是否有可行方案，能够直接基于URL完成doc/docx到PDF的流式实时转换，省去临时文件读写、等待、删除的冗余流程？

LibreOffice（即命令行调用的soffice）本身不支持直接读取远程URL后流式输出PDF到标准输出，没法完全绕开临时文件，但可以通过规范临时文件处理逻辑，完全解决文件名不可控、冗余等待、手动删文件的问题，流程效率也能拉满，具体实现思路如下：

• 先把远程文件下载到系统临时目录，用固定规则生成临时文件名存储，完全规避URL带特殊字符、文件名不可预判的问题
• 调用soffice时用--outdir参数明确指定输出到临时目录，转换过程用subprocess.run同步等待执行完成，不需要加固定sleep等待，转换完成直接就能拿到输出文件
• 读完PDF内容后，靠临时文件的自动清理机制删除源文件和生成的PDF，不需要手动处理删除逻辑，也不会残留垃圾文件

可直接运行的实现代码 #

import os
import tempfile
import subprocess
import requests

def generate_pdf(url):
    # 创建独立临时目录，用完自动整体清理，避免残留文件
    with tempfile.TemporaryDirectory() as tmp_dir:
        # 下载远程doc/docx到临时目录，固定源文件后缀避免soffice识别失败
        resp = requests.get(url, timeout=30)
        resp.raise_for_status()
        # 从响应头判断源文件后缀，默认给docx
        suffix = ".docx"
        content_type = resp.headers.get("content-type", "")
        if "msword" in content_type:
            suffix = ".doc"
        elif "officedocument.wordprocessingml" in content_type:
            suffix = ".docx"
        src_path = os.path.join(tmp_dir, f"src{suffix}")
        with open(src_path, "wb") as f:
            f.write(resp.content)
        
        # 调用soffice转换，指定输出到临时目录，同步等待执行完成，不需要sleep
        subprocess.run(
            [
                "soffice",
                "--headless",
                "--nologo",
                "--nofirststartwizard",
                "--convert-to", "pdf",
                "--outdir", tmp_dir,
                src_path
            ],
            check=True,
            timeout=60
        )
        
        # 输出PDF路径固定，不需要猜文件名
        pdf_path = os.path.join(tmp_dir, "src.pdf")
        with open(pdf_path, "rb") as f:
            return f.read()

优化说明 #

• 去掉了固定sleep(1)的等待逻辑，用subprocess.run同步阻塞等转换进程退出，转换完成立刻读文件，不会浪费等待时间，也不会出现文件还没生成就读的问题
• 所有文件都存在随机生成的临时目录里，源文件和生成的PDF文件名完全可控，不需要处理URL带特殊字符、query参数导致输出文件名乱码/不可预判的问题
• 临时目录用with上下文管理，代码执行完不管是成功还是报错，目录和里面的所有文件都会被系统自动清理，不需要手动写删除逻辑，也不会产生垃圾文件
• 加了必要的超时和异常判断，避免进程卡死、远程文件下载失败的问题

如果追求更高的转换性能，可以提前启动soffice的常驻服务模式，不需要每次转换都启动一次LibreOffice进程，转换速度能提升3-5倍，只需要把启动命令改成常驻服务模式，再用接口提交转换任务即可，本质的临时文件处理逻辑和上述代码一致。

注：不存在完全不落地临时文件的soffice转换方案，LibreOffice的转换逻辑本身就需要读写本地磁盘，上述方案已经把磁盘IO的冗余步骤全部去掉，临时文件都存在系统临时目录，读写性能和内存操作差异极小，完全满足实时转换的性能要求。

内容的提问来源于stack exchange，提问作者Ken