Question

当我在包含PDF文件的目录上运行以下Python脚本时，我不断收到此错误：

ShellError：命令pdftotext "path/to/pdf/title.pdf" -失败，退出代码为1 ------------- stdout ------------- ------------- stderr ------------- “pdftotext”未被识别为内部或外部命令，可操作程序或批处理文件。

我已验证pdf2text和PDFMiner已正确安装。这是我第一次使用textract，它适用于所有其他文件类型（Word文档，PowerPoint文档，Excel文档等）。当pdftotext是实际库时，为什么流程会调用pdf2text？

import os
import os.path
import textract

pdf_path = 'path/to/pdf/'

for fname in os.listdir(pdf_path):
    if os.path.isfile(pdf_path+fname ):
        f = textract.process(pdf_path+fname )
        if 'string' in f:
            print fname

谢谢！

Answer 1

我自己刚刚完成了这个问题的处理。根据我的理解，令人困惑的是pdftotext是一个在linux中很流行的命令实用程序，而pdf2text是PDFMiner包的包装器。我的poppler和pdftotext的windows二进制文件来自archive.org链接，所以我感觉不能在这里链接到它，但here's a link我在维基百科页面上找到了一个windows二进制文件。从我的能力来看，pdftotext往往比pdfMiner提供更好的输出。我遇到的问题是产生了你收到的同样错误是pdftotext.exe已安装，并且在我的路径中，但如果我没有通过cmdline启动python脚本，我会收到错误。

如果你最终下载它，它附带一些其他很好的实用程序，如pdftohtml和pdftops。个人最喜欢的是pdftotext -layout whatever.txt，它会将pdf打印到stdout作为明文，一切就绪。

tl; dr 尝试运行打开cmdline并运行该程序。如果您仍然可以尝试（1）安装Windows二进制文件（假设您在Windows上）或（2）尝试使用

更新textract

pip install textract --upgrade

希望这有帮助！

Answer 2

尝试在您的代码中实现此代码。

import subprocess
subprocess.call(['soffice', '--headless',
            '--convert-to', 'odt', filename])
filename = os.path.splitext(filename)[0] + str('.odt')

但是您应该安装libreoffice。

Python pdftotext ShellError使用textract

2 个答案: