Python使用Camelot内存读取Zip内PDF表格报错问题咨询

报错是两个使用错误导致的，不需要更换库：

• Camelot的read_pdf接收内存流时要求传入二进制类文件对象，你传入的是文本模式的StringIO对象，Camelot内部处理字节逻辑时找不到对应方法就会抛出你看到的属性错误
• PDF是二进制格式，你把z.read()拿到的原始字节用latin-1解码成字符串的操作完全多余，还有概率损坏PDF内容。

直接用BytesIO包装zip读取到的原始二进制内容即可，不需要做解码操作：

import zipfile
from io import BytesIO
import camelot

z = zipfile.ZipFile(self.zip_file)
for file_name in z.namelist():
    if file_name.lower().endswith(".pdf"):
        # 直接读取原始二进制内容，不要做解码
        pdf_raw = z.read(file_name)
        # 用二进制流包装，替换原来的StringIO
        pdf_stream = BytesIO(pdf_raw)
        # 提取表格，无特殊编码问题不需要传codec参数
        tables = camelot.read_pdf(pdf_stream)
        # 后续表格处理逻辑自行补充

如果你使用的Camelot版本过低不支持直接传内存流，最省事的兼容方案是把二进制内容写入临时文件，传临时文件路径给read_pdf，处理完成后自动删除临时文件即可，性能差异可以忽略。如果确实不想写临时文件，也可以换用pdfplumber，它的表格提取精度和Camelot接近，对内存流的兼容性更好。

内容的提问来源于stack exchange，提问作者Daniel