PyPDF2.utils.PdfReadError: Unexpected destination '/__WKANCHOR

在学习这篇文章之前，对于一点都不懂python的朋友，可以去看下我之前写过的博客文章，也都是学习过程中的一些收获，感兴趣的可以去看看http://www.flybi.net/blog/seng。

之所以写这篇文章，是因为在学习《Python网络数据采集》的时候，书中提到了访问pdf的方法，于是我就想是否能将天善博客内容转成PDF文档，这个功能会很有用，以后可以方便查找。

思路：使用命令行工具wkhtmltopdf，可以将html 转成 PDF，Python有个包python-pdfkit，方便了wkhtmltopdf和Python的结合。不过目前wkhtmltopdf读取的页面数有限制，文档很多的话会生成多个PDF，这样就需要合并，试过很多种合并方法，最终使用ghostscript解决的。

接下来具体介绍一下做法。

1wkhtmltopdf功能简介

下载页面：http://wkhtmltopdf.org/downloads.html

使用0.12.3 Linux版下载后直接解压即可。

 tar -xvf wkhtmltox-0.13.0-alpha-7b36694_linux-centos6-amd64.rpm.part  sudo ln -s ./wkhtmltox/bin/wkhtmltopdf /usr/bin/wkhtmltopdf

使用示例如下：

wkhtmltopdf  'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

注意：天善使用的javascript,好像对这个有影响，只能生成一个页面，要等javascript运行完，加参数即可--javascript-delay 2000，或者屏蔽掉也可以--disable-javascript

wkhtmltopdf  --javascript-delay 2000 'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

如果出问题，可以看一下大纲的信息：

wkhtmltopdf  --dump-outline out.xsl  toc 'http://www.flybi.net/blog/seng/3645' 'http://www.flybi.net/blog/seng/3599'  sengblog.pdf

2pdfkit调用的接口

参考网站：https://pypi.python.org/pypi/pdfkit

Install python-pdfkit: $ pip install pdfkit 简单的示例： import pdfkit pdfkit.from_url([ 'http://www.flybi.net/blog/seng/3645','http://www.flybi.net/blog/seng/3599'], 'sengblog.pdf')

3生成blog的PDF文件

以我的博客为例

我的首页：

http://www.flybi.net/people/seng

我的博客就5页，获取这些链接就可以了

http://www.flybi.net/blog/id-seng__page-1

核心逻辑如下：

(1)获取所有blog具体页面的URL；

(2)排序：暂时偷个懒，先按默认字符排序了；

(3)生成pdf文档，注意目前测试只能包含有限的页面，目前使用20个，按类似以下格式sengblog20160419_1_20生成；

(4)合并pdf文档。

目前没有现成代码，一开始使用http://www.pdfmerge.com/手工做的，后找到更好的办法，下面详细介绍如何合并。

4合并PDF文档

因为wkhtmltopdf有限制，文档多了，需要生成多个pdf文件，原来使用http://www.pdfmerge.com/在线服务合并文档，感觉不完美，合并更多文件就比较麻烦了，找了一些工具最终解决了，测试了PyPDF2、pdftk、ghostscript，都能合并，不过PyPDF2、pdftk对wkhtmltopdf生成的文档的outline合并有问题，特别是PyPDF2需要修改代码，才能完成合并。所以最后选用了ghostscript来完成合并。

相关工具版本要求：

ghostscript:9.19

wkhtmltopdf:0.12.3 (with patched qt)

ghostscript的安装使用：

下载：

http://ghostscript.com/download/gsdnld.html

帮助文档：

http://www.ghostscript.com/doc/9.19/Use.htm

命令示例：

gs-919-linux_x86_64 -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile=./output/all_coffee.pdf coffee1_20.pdf coffee21_40.pdf
linux_x86_64 -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -sOutputFile=all_seng.pdf seng*.pdf

PyPDF2的安装使用：

PyPDF2版本：1.25.1

https://pypi.python.org/pypi/PyPDF2/1.25.1

或

https://github.com/mstamy2/PyPDF2

安装：

pip install PyPDF2

使用示例：

from PyPDF2 import PdfFileMerger
merger = PdfFileMerger()
input1 = open("hql_1_20.pdf", "rb")
input2 = open("hql_21_40.pdf", "rb")
merger.append(input1)
merger.append(input2)
# Write to an output PDF document
output = open("hql_all.pdf", "wb")
merger.write(output)

--------------------

注意合并wkhtmltopdf系统会出错：

PdfReadError: Unexpected destination '/__WKANCHOR_2'

#fix PyPDF2 merge outline出问题的解决

#参考https://github.com/mstamy2/PyPDF2/issues/193

I had the same problem. For a quick and dirty fix I commented out the lines 1225 and 1226 in the file pdf.py of the package PyPDF2 which raise the exception:

    # if destination found, then create outlineif dest:if isinstance(dest, ArrayObject):outline = self._buildDestination(title, dest)elif isinstance(dest, Str) and dest in self._namedDests:outline = self._namedDests[dest]outline[NameObject("/Title")] = title # else:#     raise utils.PdfReadError("Unexpected destination %r" % dest)return outline

pdf.py 1225-1226按如下屏蔽即可
# if destination found, then create outline
if dest:
    if isinstance(dest, ArrayObject):
        outline = self._buildDestination(title, dest)
    elif isinstance(dest, Str) and dest in self._namedDests:
        outline = self._namedDests[dest]
        outline[NameObject("/Title")] = title
    #### else:
    ####     raise utils.PdfReadError("Unexpected destination %r" % dest)
return outline

pdftk的安装使用：

安装：

sudo yum install libgcj
sudo rpm -i pdftk-2.02-1.*.rpm

使用：

pdftk a1*.pdf cat output combined.pdf

outline的手工修复：

pdftk支持outline的编辑，可以参考这个，

http://stackoverflow.com/questions/296****79/merge-pdfs-with-pdftk-with-bookmarks

pdftk hql_1_20.pdf dump_data > in1.info

#手工修改in1.info文件

pdftk hql_1_20.pdf update_info in1.info output out.pdf.

当然程序还有些欠缺：

1.uft8的文件名在linux能使用，到windows下就软乱码了。

2.wkhtmltopdf读取html遇到503错误，需要再次检查和重新读取。

PyPDF2.utils.PdfReadError: Unexpected destination '/__WKANCHOR_2'相关推荐

PyPDF2 编码问题 PyPDF2.utils.PdfReadError Illegal character in Name Object
PyPDF2 编码问题 PyPDF2.utils.PdfReadError Illegal character in Name Object 参考资料:https://github.com/mstam ...
python读取pdf文档书签 bookmark_Python利用PyPDF2库获取PDF文件总页码实例
Python中可以利用PyPDF2库来获取该pdf文件的总页码,可以根据下面的方法一步步进行下去: 1.首先,要安装PyPDF2库,利用以下命令即可: pip install PyPDF2 2.接着, ...
Python：使用pypdf2合并、分割、加密pdf文件。
朋友需要对一个pdf文件进行分割,在网上查了查发现这个pypdf2可以完成这些操作,所以就研究了下这个库,并做一些记录.首先pypdf2是python3版本的,在之前的2版本有一个对应pypdf库. ...
python读取扫描形成的pdf_Python利用PyPDF2库获取PDF文件总页码实例
Python中可以利用PyPDF2库来获取该pdf文件的总页码,可以根据下面的方法一步步进行下去: 1.首先,要安装PyPDF2库,利用以下命令即可: pip install PyPDF2 2.接着, ...
Python利用PyPDF2库获取PDF文件总页码
Python中可以利用PyPDF2库来获取该pdf文件的总页码,可以根据下面的方法一步步进行下去: 1.首先,要安装PyPDF2库,利用以下命令即可: pip install PyPDF2 2.接着, ...
Python中用PyPDF2拆分pdf提取页面
有时候我们只需要pdf中的几页,或许还想把这几页内容整合成新的pdf,那该怎么做呢? 准备工作: 安装扩展库PyPDF2,参考命令 pip install PyPDF2 代码如下: from PyPD ...
Python实现按序合并多个pdf文件
技术交流QQ群:1027579432,欢迎你的加入! 欢迎关注我的微信公众号:CurryCoder的程序人生 1.整体实现步骤在日常办公中,我们可能会有一个需求,需要将多个pdf文件合并成一个文件. ...
PYTHON得到pdf页数、遍历当前文件夹
#第一步安装PyPDF2 pip install PyPDF2#第二步导入相应的模块 from PyPDF2 import PdfFileReader#第三步:定义相对应的函数 def get_num ...
python打印pdf特定页面_使用Python自由切分pdf文件提取任意页面
这个小知识来自公众号[python小屋] 问题描述: 给定一个PDF文件,对其进行任意切分,提取其中任意页面,保存为新的PDF文件. 准备工作: 安装扩展库PyPDF2,参考命令 pip instal ...

PyPDF2.utils.PdfReadError: Unexpected destination '/__WKANCHOR_2'

参考网站：https://pypi.python.org/pypi/pdfkit

以我的博客为例

PyPDF2.utils.PdfReadError: Unexpected destination '/__WKANCHOR_2'相关推荐

最新文章

热门文章