Python、pyPdf、Adobe PDF OCR错误：不支持filter/lzwdecod

Question

我的资料：Python2.6 64位（安装了pyPdf-1.13.win32.exe）。机翼侧面。Windows 7 64位。在

我得到了以下错误：

NotImplementedError:不支持筛选器/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

这里有一点背景。路径中充满了PDF。有些是用adobepdf打印机从文本文档中保存下来的（至少我认为他们是这样做的）。有些被扫描成图像。我想把它们和OCR分开，它们是图像的（非图像的是完美的，不应该弄乱）。在

几天前我问过你怎么做：

Batch OCR Program for PDFs

我得到的唯一回应是在VB中，我只会说python。所以我想我应该试着给自己的问题写一个答案。我的策略（反映在上面的代码中）是这样的。如果它只是一个图像，那么正则表达式将返回一个空列表。如果它有文本，正则表达式（表示包含2个或更多字母数字字符的任何单词）将返回一个由u'word（在python中，我认为这是一个unicode字符串）填充的列表。在

所以代码应该可以工作了，我们可以采取第一步，用开源软件完成另一个线程（将ocrd和图像pdf分开），但我不知道如何处理这个过滤器错误，google也没有帮助。所以如果有人知道的话，会很有帮助的。在

我真的不知道怎么用这些东西。我不知道过滤器在pyPdf语言中是什么意思。我认为这是说它不能真正地阅读pdf或其他东西，即使它是ocrd。有趣的是，我把一个非ocrd和一个ocrd pdf作为python文件放在同一个文件夹中，这只适用于没有for循环的一个，所以我不知道为什么用for循环来处理它们会产生filter error。我将发布下面的代码。谢谢。在

^{pr2}$

它会打印一些东西，所以我不知道为什么一个过滤器出错，而另一个却没有。当我对目录中的另一个文件（不是ocrd的文件）运行此代码时，输出的一行是空字符串，下一行是空字符串，如下所示：

[]
[]

所以我也不认为这是非ocrd pdf的过滤器问题。这太难了，我需要一些帮助。在

编辑：

谷歌搜索发现了这个，但我不知道该怎么解释：

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

Answer 1

LZW是gif中使用的压缩格式，有时也用于pdf。如果您查看pyPdf.filters中可用的过滤器，您会发现LZW不在那里，因此您发布的NotImplementedError.链接指向subversion存储库中的代码，其中有人实现了LZW过滤器。在

Answer 2

替换pyPdf过滤器.py在pyPdf源文件夹中使用http://vaitls.com/treas/pdf/pyPdf/filters.py。这对我有用。在