Python使用pdfkit转换ABFSS路径HTML为PDF找不到文件问题咨询

问题原因分析 #

两次报错对应两个独立的问题：

1. No such file: abfss://xxx报错的核心原因是：pdfkit底层依赖的wkhtmltopdf仅支持读取本地文件系统路径，无法直接识别Azure Data Lake Storage Gen2的abfss协议路径。mssparkutils是Spark生态专门适配了ADLS存储的工具，因此可以正常写入读取abfss路径，但pdfkit无该适配能力，无法直接读取目标文件。
2. No wkhtmltopdf executable found报错的核心原因是：pdfkit只是wkhtmltopdf工具的Python封装层，本身不携带wkhtmltopdf的二进制执行文件，运行环境中未提前安装该依赖。

解决步骤 #

第一步：安装wkhtmltopdf依赖 #

根据运行环境选择对应的安装命令，以常见的Debian/Ubuntu基础的Synapse Spark环境为例，在notebook开头执行：

!apt-get update && apt-get install -y wkhtmltopdf

安装完成后执行如下命令验证安装结果，获取wkhtmltopdf的执行路径：

!which wkhtmltopdf

返回结果一般为/usr/bin/wkhtmltopdf，后续调用pdfkit时可手动指定该路径避免识别失败：

import pdfkit
# 替换为上一步获取到的实际路径
wk_config = pdfkit.configuration(wkhtmltopdf="/usr/bin/wkhtmltopdf")

第二步：中转处理ADLS文件 #

不要直接将abfss路径传入pdfkit，先通过mssparkutils将文件下载到本地临时目录处理，完成后再回传到ADLS即可，完整示例代码如下：

# 原ADLS存储路径
html_adls_path = "abfss://container@DataLakeName.dfs.core.windows.net/user/trusted-service-user/for_html/htmltest.html"
pdf_adls_path = "abfss://container@DataLakeName.dfs.core.windows.net/user/trusted-service-user/for_html/htmltest.pdf"

# 本地临时路径
local_html = "/tmp/htmltest.html"
local_pdf = "/tmp/htmltest.pdf"

# 下载HTML文件到本地
mssparkutils.fs.get(html_adls_path, local_html)

# 执行PDF转换，替换为你自己的options配置
myoptions = {}
pdfkit.from_file(local_html, local_pdf, options=myoptions, configuration=wk_config)

# 转换完成后将PDF上传回ADLS
mssparkutils.fs.put(local_pdf, pdf_adls_path, overwrite=True)

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