Функция extractText() в pyPDF2 выдает ошибку

Question

Я пытаюсь извлечь текст из PDF-файлов, чтобы я мог проанализировать его, но когда я пытаюсь извлечь текст со страницы, я получаю следующую ошибку.

Traceback (most recent call last):
File "C:\Program Files (x86)\eclipse\plugins\org.python.pydev_2.7.4.2013051601\pysrc\pydevd_comm.py", line 765, in doIt
    result = pydevd_vars.evaluateExpression(self.thread_id, self.frame_id, self.expression, self.doExec)

File "C:\Program Files (x86)\eclipse\plugins\org.python.pydev_2.7.4.2013051601\pysrc\pydevd_vars.py", line 376, in evaluateExpression
    result = eval(compiled, updated_globals, frame.f_locals)

File "<string>", line 1, in <module>

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\pdf.py", line 1701, in extractText
    content = ContentStream(content, self.pdf)

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\pdf.py", line 1783, in __init__
    stream = StringIO(stream.getData())

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\generic.py", line 801, in getData
    decoded._data = filters.decodeStreamData(self)

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\filters.py", line 228, in decodeStreamData
    data = ASCII85Decode.decode(data)

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\filters.py", line 170, in decode
    data = [y for y in data if not (y in ' \n\r\t')]

File "C:\Python33\lib\site-packages\pypdf2-1.9.0-py3.3.egg\PyPDF2\filters.py", line 170, in <listcomp>
    data = [y for y in data if not (y in ' \n\r\t')]

TypeError: 'in <string>' requires string as left operand, not int

Соответствующие разделы кода следуют:

from PyPDF2 import PdfFileReader

for PDF_Entry in self.PDF_List:
    Pdf_File = PdfFileReader(open(PDF_Entry, "rb"))
    for pg_idx in range(0, Pdf_File.getNumPages()):
        page_Content = Pdf_File.getPage(pg_idx).extractText()
        for line in page_Content.split("\n"):
            self.Analyse_Line(line)

Ошибка выдается в строке extractText().

Answer 1

Возможно, стоит попробовать последнюю версию PyPDF2, последняя, ​​как я пишу, это 1.24.

С учетом сказанного я обнаружил, что функция extractText() очень хрупкая. Он работает на одних документах, не работает на других. Смотрите некоторые открытые вопросы:

https://github.com/mstamy2/PyPDF2/issues/180 и https://github.com/mstamy2/PyPDF2/issues/168

Я решил эту проблему, используя вместо этого утилиту командной строки Poppler pdftotext, чтобы классифицировать документ как изображение по сравнению с текстом и получить весь контент. Для меня это было чрезвычайно стабильно - я запустил его на тысячах PDF-документов. По моему опыту, он также извлекает текст без лишних слов из защищенных / зашифрованных PDF-файлов.

Например (написано для Python 2):

def consult_pdftotext(filename):
    '''
    Runs pdftotext to extract text of pages 1..3.
    Returns the count of characters received.

    `filename`: Name of PDF file to be analyzed.
    '''
    print("Running pdftotext on file %s" % filename, file=sys.stderr)
    # don't forget that final hyphen to say, write to stdout!!
    cmd_args = [ "pdftotext", "-f", "1", "-l", "3", filename, "-" ]
    pdf_pipe = subprocess.Popen(cmd_args, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
    std_out, std_err = pdf_pipe.communicate()
    count = len(std_out)
    return count

НТН

Answer 2

Вы делаете две вещи в одной строке. Попробуйте сломать вещи, чтобы приблизиться к проблеме. Изменить:

page_Content = Pdf_File.getPage(pg_idx).extractText()

в

page = Pdf_File.getPage(pg_idx)
page_Content = page.extractText()

Чтобы увидеть, где происходит ошибка. Также запустите программу из командной строки, а не из Eclipse, просто чтобы убедиться, что это та же ошибка. Вы говорите, что это происходит в extractText() но эта строка не отображается в трассировке.