python - 使用textract的Python pdftotext ShellError

当我在包含PDF文件的目录上运行以下Python脚本时，始终出现此错误:



我已验证pdf2text和PDFMiner是否已正确安装。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文档等)上都可以很好地工作。当pdftotext是实际库时，为什么进程调用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!

最佳答案

我自己已经解决了这个问题。据我了解，困惑在于pdftotext是在Linux中流行的命令实用程序，而pdf2text是PDFMiner程序包的包装。我的poppler和pdftotext的Windows二进制文件来自archive.org链接，因此在这里我感觉链接不正确，但是我在Wikipedia页面上找到了Windows二进制文件here's a link。据我所知，pdftotext往往比pdfMiner提供更好的输出。我遇到的问题是生成与您收到的错误相同的错误是pdftotext.exe已安装，并且在我的路径中，但是如果我不通过cmdline启动python脚本，则会收到错误。

如果最终下载了它，它会附带一些其他不错的实用程序，例如pdftohtml和pdftops。个人最喜欢的是pdftotext -layout whatever.txt，它将以明文形式将pdf打印到stdout并输出所有内容。

tl; dr 尝试运行打开cmdline并运行程序。如果您仍然可以尝试(1)安装Windows二进制文件(假设您在Windows上)，或者(2)尝试使用以下命令更新textract

pip install textract --upgrade

希望有帮助!