如何使用Python 3.6将任何格式的文件转换为文本格式？

Question

我正在尝试有一个转换器，可以将任何格式的任何文件转换为文本，这样处理对我来说变得更容易。我已经使用了Python textract库。

下面是文档：https://textract.readthedocs.io/en/stable/

我已经使用pip安装了它，并尝试使用它。但是得到了错误，无法理解如何解决它。

>>> import textract
>>> text = textract.process('C:\Users\beta\Desktop\Projects Done With Specification.pdf', method='pdfminer')
  File "<stdin>", line 1
SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 2-3: truncated \UXXXXXXXX escape

甚至我也尝试过在不指定方法的情况下使用该命令。

>>> import textract
>>> text = textract.process('C:\Users\beta\Desktop\Projects Done With Specification.pdf')
  File "<stdin>", line 1
SyntaxError: (unicode error) 'unicodeescape' codec can't decode bytes in position 2-3: truncated \UXXXXXXXX escape

请让我知道如何才能摆脱这个问题与您的建议。如果这是可能的，然后请建议我的解决方案，如果有任何其他可以方便，而不是textract，那么你仍然可以建议我。我想听听。

Answer 1

\字符在不同的上下文中有不同的含义。在Windows路径名中，它是目录分隔符。在Python字符串中，它引入了转义序列。在指定路径时，您必须考虑到这一点。

尝试以下任意一种：

text = textract.process('C:\\Users\\beta\\Desktop\\Projects Done With Specification.pdf', method='pdfminer')
text = textract.process(r'C:\Users\beta\Desktop\Projects Done With Specification.pdf', method='pdfminer')
text = textract.process('C:/Users/beta/Desktop/Projects Done With Specification.pdf', method='pdfminer')

Answer 2

问题出在字符串上

'C:\Users\beta\Desktop\Projects Done With Specification.pdf'

\U开始一个由八个字符组成的Unicode转义，例如'\U00014321`。在您的代码中，转义后跟字符“s”，这是无效的。

您需要复制所有反斜杠，或者在字符串前面加上r(以生成原始字符串)。

Answer 3

试试encoding='utf-8'

textract.process('C:\Users\beta\Desktop\Projects Done With Specification.pdf', encoding='utf-8')