更多>>关于我们
西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效获取互联网任何公开可见信息。
您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。
数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。
更多>>技术文章
近日在公司的某PDF数据采集项目中遇到了一个奇怪的问题。使用pdfminer提取PDF内的部分参数值(中英文混合),源码模式运行工作正常,中英文字符都能提取出来。但是当使用py2exe打包成EXE文件之后,却只能提取出英文字符,无法提取出中文字符。
如下图所示,是PDF文件的截图:
如下图所示,源码模式下测试,提取正常(中英文都提取到了):
如下图所示,EXE模式测试,无法提取出来中文字符(英文字符提取正常):
很奇怪,为什么py2exe打包之后不能正常工作了呢?网上查了一下,也没有找到解决方案。
根据以往经验,估计是有什么依赖的资源文件没有被打包进去。
查看pdfminer源码目录(C:\Python27\Lib\site-packages\pdfminer\),发现有个名为cmap目录,看里面的文件名应该是与字符编码有关,如下图所示。
于是尝试将该cmap目录拷贝到打包后的EXE同目录下,再试,还是无法提取中文。难道是与cmap目录无关?如果跟cmap目录有关,那么我给它改个名字,源码模式应该也会提取不到中文了才对。试了一下,果然如此,看来就是缺少了这个目录。那打包成EXE之后应该把这个目录放到哪里才对呢?(前面我们试了放到EXT同目录下无效)
有点老虎吃天无法下爪了。只能分析下pdfminer源码,看它是怎么加载这个cmap目录的了。最终定位到C:\Python27\Lib\site-packages\pdfminer\cmapdb.py这个文件,在其236行左右有如下代码:
cmap_paths = (os.environ.get('CMAP_PATH', '/usr/share/pdfminer/'), os.path.join(os.path.dirname(__file__), 'cmap'),)
可以看到它先是根据CMAP_PATH环境变量,然后根据os.path.join(os.path.dirname(__file__), 'cmap')这个路径来确定cmap目录的。由于未设置CMAP_PATH环境变量。 打包成EXE之后__file__的值为:
E:\owncloud\scrapers\baosteel_quality_assurance_scraper\dist\baosteel_quality_assurance_scraper.exe\pdfminer\cmapdb.py
完整的cmap路径就变成了:
E:\owncloud\scrapers\baosteel_quality_assurance_scraper\dist\baosteel_quality_assurance_scraper.exe\pdfminer\cmap
这个路径是不存在的(应该与quality_assurance_scraper.exe同一目录才对),当然找不到了,看来问题就是出在这儿了。
尝试将__file__修改为sys.argv[0],重新打包EXE,测试发现问题消失(cmap文件夹仍需放置在EXE同目录下)。
其实我们不需要直接修改cmapdb.py文件,只需要在我们的程序里正确设置CMAP_PATH环境变量即可。例如,添加如下代码之后,问题解决:
import sys import os # 本程序的绝对路径 ABS_PATH = lambda p: os.path.join(os.path.dirname(os.path.realpath(sys.argv[0])), p) # 设置cmap文件的路径为当前路径下的cmap文件夹 os.environ['CMAP_PATH'] = ABS_PATH('cmap')
遇到问题冷静地分析,耐心地尝试,没有什么问题是解决不了的。