使用Python InsecureClient拆分PDF并写回HDFS的问题求助

问题根因 #

• 错误1：PdfFileWriter.appendPagesFromReader() 方法无返回值，代码中赋值给output的变量实际为None，写入空内容到HDFS，导致生成的文件无有效内容。
• 错误2：appendPagesFromReader() 会追加输入PDF的全部页面到输出对象，不符合单页拆分的需求，且未调用getPage(i)方法提取指定页码的内容。
• 错误3：PdfFileWriter 生成的PDF内容不能直接写入文件流，需要先写入内存字节缓冲对象，再从缓冲中读取二进制内容写入HDFS。

修复后代码 #

for i in range(input_pdf.getNumPages()):
    out_pdf  = PdfFileWriter()
    # 提取指定单页添加到输出PDF对象
    out_pdf.addPage(input_pdf.getPage(i))
    filename = "/shared/Team5162/demopdf/"+"document-page%s.pdf" % i
    # 借助BytesIO缓冲生成PDF二进制内容
    with BytesIO() as pdf_buffer:
        out_pdf.write(pdf_buffer)
        # 将缓冲指针移到起始位置读取完整内容
        pdf_buffer.seek(0)
        # 写入HDFS路径
        with client.write(filename) as writeStream:
                writeStream.write(pdf_buffer.read())

内容的提问来源于stack exchange，提问作者Kannan Nair