python - 如何使用 Python 脚本从 PDF 中读取阿拉伯文本

Question

我有一个用 Python 编写的代码，可以读取 PDF 文件并将其转换为文本文件。

当我尝试从 PDF 文件中读取阿拉伯文本时，出现了问题。我知道错误出现在编码和编码过程中，但我不知道如何修复它。

系统转换阿拉伯语 PDF 文件，但文本文件为空。 并显示此错误:

Traceback (most recent call last): File "C:\Users\test\Downloads\pdf-txt\text maker.py", line 68, in f.write(content) UnicodeEncodeError: 'ascii' codec can't encode character u'\xa9' in position 50: ordinal not in range(128)

代码:

import os
from os import chdir, getcwd, listdir, path
import codecs
import pyPdf
from time import strftime

def check_path(prompt):
    ''' (str) -> str
    Verifies if the provided absolute path does exist.
    '''
    abs_path = raw_input(prompt)
    while path.exists(abs_path) != True:
        print "\nThe specified path does not exist.\n"
        abs_path = raw_input(prompt)
    return abs_path    

print "\n"

folder = check_path("Provide absolute path for the folder: ")

list=[]
directory=folder
for root,dirs,files in os.walk(directory):
    for filename in files:
        if filename.endswith('.pdf'):
            t=os.path.join(directory,filename)

            list.append(t)

m=len(list)
print (m)
i=0
while i<=m-1:

    path=list[i]
    print(path)
    head,tail=os.path.split(path)
    var="\\"

    tail=tail.replace(".pdf",".txt")
    name=head+var+tail

    content = ""
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
            # Iterate pages
    for j in range(0, pdf.getNumPages()):
        # Extract text from page and add to content
        content += pdf.getPage(j).extractText() + "\n"
    print strftime("%H:%M:%S"), " pdf  -> txt "
    f=open(name,'w')
    content.encode('utf-8')
    f.write(content)
    f.close
    i=i+1

Answer 1

您有几个问题:

1. content.encode('utf-8') 不执行任何操作。返回值是编码后的内容，但必须将其分配给变量。更好的是，使用编码打开文件，并将 Unicode 字符串写入该文件。 content 似乎是 Unicode 数据。

示例(适用于 Python 2 和 3):

 import io
 f = io.open(name,'w',encoding='utf8')
 f.write(content)

如果没有正确关闭文件，您可能看不到任何内容，因为文件没有刷新到磁盘。您有 f.close 而不是 f.close()。最好使用 with，这样可以确保文件在 block 退出时关闭。

示例:

import io
with io.open(name,'w',encoding='utf8') as f:
    f.write(content)

在Python 3中，您不需要导入和使用io.open，但它仍然可以工作。 open 是等效的。 Python 2 需要 io.open 形式。