无法读取pdf文件

Question

text= textract.process("/Users/dg/Downloads/Data Wrangling/syllabi/82445.pdf") 

我试图读取此文件，但它引发以下错误：-

'charmap' codec can't decode byte 0x9d in position 6583: character maps to

为什么会抛出这个错误？我该如何解决这个问题

Answer 1

这是一个编码问题

Textract使用chardet来检测pdf文件的编码（utf-8、latin1、cp1252等）。检测文件的编码并不总是一件容易的任务，而且chardet可能无法检测文件的编码。在您的情况下，对于这个特定的pdf文件，它似乎失败了

如果您知道文件的编码，那么可以使用如下input_encoding参数：

textract.process(filename, input_encoding="cp1252", output_encoding="utf8")

（见下面链接中的第309期）

注意encoding参数指定的是输出编码，而不是输入编码。 那么，写作

text = textract.process(filename, encoding='ascii')

表示您希望使用ascii编码写入输出文件。但这并不意味着ascii是输入文件的编码

关于chardet的说明： 您可以用chardet猜出这样一个文件的编码：

import chardet
guessed_encoding = chardet.detect(file)
print(guessed_encoding)

它将输出如下内容：

{'encoding': 'EUC-JP', 'confidence': 0.99}

或：

{'encoding': 'EUC-JP', 'confidence': 0.24}

在这里你可以看到有一个confidence键。在第一个示例中，chardet非常确信编码是EUC-JP，但在第二个示例中并非如此

您可以尝试将chardet与导致问题的pdf文件一起使用，并查看其置信度得分

有用链接：

https://github.com/deanmalmgren/textract/issues/309

https://github.com/deanmalmgren/textract/issues/164

Answer 2

关于您的问题，可以通过以下操作解决此错误：

您可以通过两种方式完成：

第一个：是通过执行：r“THEPATH”，它将读取您通过路径插入的文件，例如：text=r“/Users/dg/Downloads/Data Wrangling/sylleti/82445.pdf”

或者你可以加上双“/”，比如：//Users//dg//Downloads//Data-Wrangling//提纲//82445.pdf”（这将以同样的方式工作

希望这对您有所帮助：），并随时提出任何进一步的问题

Answer 3

我可以这样做：

import os

file = open("/Users/dg/Downloads/Data Wrangling/syllabi/82445.pdf", "r")
text = file.read()
file.close