使用textract的Python pdftotext ShellError

Question

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：

ShellError：命令pdftotext "path/to/pdf/title.pdf" -失败，退出代码为1 ------------- stdout ------------- ------------- stderr -------------'pdftotext'不被识别为内部或外部命令，可操作程序或批处理文件。

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。为什么在实际库pdftotext何时调用该进程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

我自己刚刚处理完这个问题。据我了解，令人困惑的是pdftotext是 Linux 中流行的命令实用程序，而 pdf2text 是 PDFMiner 包的包装器。我的 poppler 和 pdftotext 的 Windows 二进制文件来自 archive.org 链接，因此我觉得在这里链接到它不正确，但这是我在 wikipedia 页面上找到的 Windows 二进制文件的链接。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相同的错误，该错误已pdftotext.exe安装，并且在我的路径中，但如果我没有通过 cmdline 启动 python 脚本，我会收到错误。

如果您最终下载了它，它还附带了一些其他不错的实用程序，例如 pdftohtml 和 pdftops。不过，个人最喜欢的是pdftotext -layout whatever.txt将 pdf 以纯文本形式打印到标准输出，所有内容都就位。

tl;dr尝试运行打开命令行并运行该程序。如果您仍然可以尝试 (1) 安装 Windows 二进制文件（假设您使用的是 Windows）或 (2) 尝试使用以下命令更新文本

pip install textract --upgrade

希望这有帮助！