Python、pyPdf、Adobe PDF OCR 错误 : unsupported filter/lzwdecode

我的东西:python 2.6 64 位(安装了 pyPdf-1.13.win32.exe)。翼IDE。 Windows 7 64 位。

我收到以下错误:

NotImplementedError: 不支持的过滤器/LZWDecode

当我运行以下代码时:

from pyPdf import PdfFileWriter, PdfFileReader
import sys, os, pyPdf, re

path = 'C:\\Users\\Homer\\Documents\\' # This is where I put my pdfs

filelist = os.listdir(path)

has_text_list = []
does_not_have_text_list = []

for pdf_name in filelist:
    pdf_file_with_directory = os.path.join(path, pdf_name)
    pdf = pyPdf.PdfFileReader(open(pdf_file_with_directory, 'rb'))

    for i in range(0, pdf.getNumPages()):
        content = pdf.getPage(i).extractText() #this is the line what done it
        does_it_have_text = re.findall(r'\w{2,}', content)
        if does_it_have_text == []:
            does_not_have_text_list.append(pdf_name)
            print pdf_name
        else:
            has_text_list.append(pdf_name)

print does_not_have_text_list

这是一个小背景。路径充满了pdf。有些是使用 Adobe pdf 打印机从文本文档中保存的(至少我认为他们是这样做的)。有些被扫描为图像。我想将它们和 OCR 图像分开(非图像是完美的，不应该被弄乱)。

几天前我在这里问过如何做到这一点:

Batch OCR Program for PDFs

我得到的唯一回应是在 VB 中，我只说 python。所以我想我会尝试为我自己的问题写一个答案。我的策略(反射(reflect)在上面的代码中)是这样的。如果它只是一个图像，那么该正则表达式将返回一个空列表。如果它有文本，则正则表达式(表示具有 2 个或更多字母数字字符的任何单词)将返回一个列表，其中填充了诸如 u'word' 之类的内容(在 python 中，我认为这是一个 unicode 字符串)。

所以代码应该可以工作，我们可以迈出第一步，使用开源软件完成另一个线程(将 ocrd 与成像的 pdf 分开)，但我不知道如何处理这个过滤器错误，谷歌搜索不是有帮助。所以如果有人知道，会很有帮助。

我真的不知道如何使用这些东西。我不确定 pyPdf 中的过滤器是什么意思。我认为它是说它不能真正阅读 pdf 或其他东西，即使它是 ocrd。有趣的是，我将非 ocrd 和 ocrd pdf 之一放在与 python 文件相同的文件夹中，这仅适用于没有 for 循环的那个，所以我不知道为什么使用 for 循环创建它们过滤器错误。我将在下面发布单个代码。谢谢。

from pyPdf import PdfFileWriter, PdfFileReader
import sys, os, pyPdf, re

pdf = pyPdf.PdfFileReader(open(my_ocrd_file.pdf', 'rb'))

has_text_list = []
does_not_have_text_list = []

for i in range(0, pdf.getNumPages()):
    content = pdf.getPage(i).extractText()
    does_it_have_text = re.findall(r'\w{2,}', content)
      print does_it_have_text

它打印东西，所以我不知道为什么我在一个而不是另一个上收到过滤器错误。当我针对目录中的另一个文件(不是 ocrd 的文件)运行此代码时，输出是一行上的空字符串和下一行的空字符串，如下所示:

[]
[]

所以我不认为这是非 ocrd pdf 的过滤器问题。这就像我的头，我需要一些帮助。

编辑:

谷歌搜索找到了这个，但我不知道该怎么做:

http://vaitls.com/treas/pdf/pyPdf/filters.py

最佳答案

将 pyPdf 的 filter.py 替换为 pyPdf 源文件夹中的 http://vaitls.com/treas/pdf/pyPdf/filters.py。那对我有用。

关于Python、pyPdf、Adobe PDF OCR 错误 : unsupported filter/lzwdecode，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/6053064/

pypdf

Python、pyPdf、Adobe PDF OCR 错误 : unsupported filter/lzwdecode