Python如何从FastAPI接收的spool PDF文件中提取超链接

问题根因说明 #

• PDF是二进制格式文件，不属于UTF-8编码的文本类文件，直接对PDF字节内容做字符串转换或UTF-8解码必然会出现乱码或报错，该操作无意义，直接保留原始bytes类型即可使用。
• 你接收的UploadFile是FastAPI封装的文件对象，本身可以直接读取二进制内容，无需转为本地磁盘文件即可被pdfx识别。

解决方案（两种可选） #

方案1：直接使用内存字节流（推荐，无磁盘IO开销，性能更高）

直接调整提取函数兼容字节输入，无需落盘存储文件：

import pdfx
from fastapi import FastAPI, File, UploadFile

app = FastAPI()

# 调整后的提取函数，兼容本地路径和字节两种输入格式
def get_hrefs_from_pdf(pdf_source: str | bytes) -> list:
    if isinstance(pdf_source, str):
        from os.path import exists
        if not exists(pdf_source):
            raise FileNotFoundError("PDF 文件不存在")
    pdf = pdfx.PDFx(pdf_source)
    return pdf.get_references_as_dict().get('url', [])

@app.post("/file_upload")
async def upload_file(pdf: UploadFile = File(...)):
    # 直接读取二进制内容，无需做编码转换
    pdf_bytes = await pdf.read()
    extracted_urls = get_hrefs_from_pdf(pdf_bytes)
    return {"filename": pdf.filename, "extracted_urls": extracted_urls}

方案2：写入临时磁盘文件处理（适合大文件场景，避免内存占用过高）

如果业务需要落盘或者处理超大PDF文件，可通过临时文件实现：

import pdfx
import os
import tempfile
from fastapi import FastAPI, File, UploadFile

app = FastAPI()

# 原有提取函数无需修改
def getHrefsFromPDF(pdfPath:str)->list:
    from os.path import exists
    if not(exists(pdfPath)):
        raise FileNotFoundError("PDF File not Found")
    pdf = pdfx.PDFx(pdfPath)
    return pdf.get_references_as_dict().get('url',[])

@app.post("/file_upload")
async def upload_file(pdf: UploadFile = File(...)):
    # 创建自动清理的临时文件
    with tempfile.NamedTemporaryFile(delete=False, suffix='.pdf') as tmp_file:
        tmp_file.write(await pdf.read())
        tmp_path = tmp_file.name
    try:
        extracted_urls = getHrefsFromPDF(tmp_path)
        return {"filename": pdf.filename, "extracted_urls": extracted_urls}
    finally:
        # 处理完成后删除临时文件
        os.unlink(tmp_path)

内容的提问来源于stack exchange，提问作者Shivam Sahil