使用textract的pdftotext

Question

当我在包含PDF文件的目录上运行下面的Python脚本时，我一直收到以下错误：

ShellError:命令pdftotext "path/to/pdf/title.pdf" -失败了退出代码1

我已经验证了pdf2text和PDFMiner的安装是否正确。这是我第一次使用textract，它在所有其他文件类型(Word文档、PowerPoint文档、Excel等)上都工作得很好。当pdftotext是实际的库时，为什么要调用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

我自己刚处理完这个问题。据我所知，混淆之处在于，pdftotext是一个在linux中流行的命令实用程序，而pdf2text是PDFMiner包的包装器。我的archive.org和pdftotext的windows二进制文件来自一个这里有一个链接链接，所以我觉得这里的链接不对，但是我在维基百科页面上找到了windows二进制文件的这里有一个链接。据我所知，pdftotext往往提供比pdfMiner更好的输出。我遇到的问题是生成与您所接收到的错误相同的错误，这是因为在我的路径中安装了pdftotext.exe，但是如果我不通过cmdline启动python脚本，我就会收到错误。

如果您最终下载了它，它会附带其他一些不错的实用程序，如pdftohtml和pdftop。不过，个人最喜欢的是pdftotext -layout whatever.txt，它将打印一个pdf格式，以明文形式输出，所有内容都已就位。

tl；博士尝试运行打开cmdline并运行程序。如果您仍然可以尝试(1)安装一个windows二进制文件(假设您在windows上)或(2)尝试用

pip install textract --upgrade

希望这能帮上忙！

Answer 2

尝试在代码中实现此代码。

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

但是你应该安装libreoffice。