使用 python 3 在一个 txt 文件中写入 3000 多个 pdf 文件时出错

Question

我正在尝试从一个 txt 文件中的 3000 多个 PDF 中提取文本（而我不得不从每一页中删除 headers）：

for x in range(len(files)-len(files)+15):
    pdfFileObj=open(files[x],'rb')
    pdfReader=PyPDF2.PdfFileReader(pdfFileObj)
    for pageNum in range(1,pdfReader.numPages):
        pageObj=pdfReader.getPage(pageNum)
        content=pageObj.extractText()
        removeIndex = content.find('information.') + len('information.')
        newContent=content[removeIndex:]
        file.write(newContent)
file.close()

但是，我收到以下错误：

return codecs.charmap_encode(input,self.errors,encoding_table)[0]
UnicodeEncodeError: 'charmap' codec can't encode character '\ufb02' in position 5217: character maps to <undefined>

Answer 1

我无法检查每个 PDF 的编码，所以我只使用了 replace()。以下是工作代码：

for x in range(len(files)):
    pdfFileObj=open(os.path.join(filepath,files[x]),'rb')
    for pageNum in range(1,pdfReader.numPages):
        pageObj=pdfReader.getPage(pageNum)
        content=pageObj.extractText()
        removeIndex = content.find('information.') + len('information.')
        newContent=content[removeIndex:]
        newContent=newContent.replace('\n',' ')
        newContent=newContent.replace('\ufb02','FL')
        file.write(str(newContent.encode('utf-8')))
file.close()

使用 python 3 在一个 txt 文件中写入 3000 多个 pdf 文件时出错

Error writing 3000+ pdf files in one txt file with python 3

python

text

pypdf2