Question

我首先将pdf转换为纯文本（我将其打印出来并且一切正常）然后当我尝试从NLTK运行word_tokenize（）时，我得到一个UnicodeDecodeError。

尽管我尝试在纯文本上解码（＆＃39; utf-8＆＃39;）。encode（＆＃39; utf-8＆＃39;），但我得到了这个错误。在追溯中，我注意到word_tokenize（）中首先引发错误的代码行是plaintext.split（＆＃39; \ n＆＃39;）。这就是为什么我试图通过在纯文本上运行split（＆＃39; \ n＆＃39;）来重现错误，但仍然没有出现任何错误。

因此，我既不了解导致错误的原因，也不了解如何避免错误。

任何帮助都会非常感激！ :)也许我可以通过更改pdf_to_txt文件中的内容来避免它？

这里是代码化的代码：

from cStringIO import StringIO
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
import os
import string
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

stopset = stopwords.words('english')
path = 'my_folder'
listing = os.listdir(path)
for infile in listing:
        text = self.convert_pdf_to_txt(path+infile)
        text = text.decode('utf-8').encode('utf-8').lower()
        print text
        splitted = text.split('\n')
        filtered_tokens = [i for i in word_tokenize(text) if i not in stopset and i not in string.punctuation]

这是我调用的方法，以便从pdf转换为txt：

def convert_pdf_to_txt(self, path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
    fp.close()
    device.close()
    ret = retstr.getvalue()
    retstr.close()
    return ret

这是我得到的错误的追溯：

    Traceback (most recent call last):
  File "/home/iammyr/opt/workspace/task-logger/task_logger/nlp/pre_processing.py", line 65, in <module>
    obj.tokenizeStopWords()
  File "/home/iammyr/opt/workspace/task-logger/task_logger/nlp/pre_processing.py", line 29, in tokenizeStopWords
    filtered_tokens = [i for i in word_tokenize(text) if i not in stopset and i not in string.punctuation]
  File "/usr/local/lib/python2.7/dist-packages/nltk/tokenize/__init__.py", line 93, in word_tokenize
    return [token for sent in sent_tokenize(text)
  [...]
  File "/usr/local/lib/python2.7/dist-packages/nltk/tokenize/punkt.py", line 586, in _tokenize_words
    for line in plaintext.split('\n'):
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc2 in position 9: ordinal not in range(128)

万分感谢你们！ ;）

Answer 1

你正在把一块非常好的Unicode字符串（后面）变成一堆无类字节，Python不知道如何处理，但是拼命地尝试应用ASCII编解码器。删除.encode('utf-8')，你应该没事。

另见http://nedbatchelder.com/text/unipain.html

尽管我强制编码，但NLTK的word_tokenize中的UnicodeDecodeError

1 个答案: