我想分析在使用scrapy抓取网站时遇到的PDF文档。我正在使用以下代码从PDF文档中提取HTML页面源，但它不起作用
a = response.xpath("//html").extract()
我如何从PDF文档中获取内容，并将其纳入混乱的工作流程？
Scrapy可能不是解析pdf文档的最佳工具。但是，您可以在爬网时识别此类链接，并添加处理此类文档的功能。一个解决方案是有一个解析函数来处理这种情况，并在遇到pdf页面时调用它。
正如@Morad Edwar所指出的，您可以使用
这样的库pdfqueryPDFMiner等
您可以使用这些库提取数据，并将这些数据放入项目管道中，就像通常使用scrapy一样。