無法打開下載的PDF文件

Question

我正在嘗試下載與研究人員相關的所需PDF文件。

但是下載的PDF文件無法打開，說文件可能損壞或格式錯誤。而在測試中使用的另一個URL導致正常的PDF文件。你有什麼建議嗎？

import requests 
from bs4 import BeautifulSoup 


def download_file(url, index): 
    local_filename = index+"-"+url.split('/')[-1] 
    # NOTE the stream=True parameter 
    r = requests.get(url, stream=True) 
    with open(local_filename, 'wb') as f: 
     for chunk in r.iter_content(chunk_size=1024): 
      if chunk: # filter out keep-alive new chunks 
       f.write(chunk) 
       f.flush() 
    return local_filename 


# For Test: http://ww0.java4.datastructures.net/handouts/ 
# Can't open: http://flyingv.ucsd.edu/smoura/publications.html 

root_link="http://ecal.berkeley.edu/publications.html#journals" 

r=requests.get(root_link) 
if r.status_code==200: 
    soup=BeautifulSoup(r.text) 
    # print soup.prettify() 
    index=1 
    for link in soup.find_all('a'): 
     new_link=root_link+link.get('href') 
     if new_link.endswith(".pdf"): 
      file_path=download_file(new_link,str(index)) 
      print "downloading:"+new_link+" -> "+file_path 
      index+=1 
    print "all download finished" 
else: 
    print "errors occur." 

Answer 1

代碼有評論說：

# Can't open: http://flyingv.ucsd.edu/smoura/publications.html

看起來像什麼，你不能打開是一個HTML文件。所以難怪PDF閱讀器會抱怨它...

對於任何真正的PDF鏈接，我有一個問題，我將進行如下：用不同的方法

1. 下載文件（wget， curl，瀏覽器，...）。
   • 你能下載它嗎？還是有一些密碼圈被跳過？
   • 下載速度快嗎？
2. 是否然後在PDF查看器打開？
   • 如果是這樣，請與腳本下載的文件進行比較。
     • 有什麼區別？
     • 它們可能是由腳本引起的嗎？
     • 前幾百行內容沒有差異，但後來有區別嗎？文件結尾是一堆零字節？那麼你的下載沒有完成...
   • 如果不是這樣，仍然比較差。如果沒有，您的腳本沒有錯。 PDF可能確實被破壞...
3. 在文本編輯器中打開時它看起來像什麼？