python - 从 PDF 中提取文本 -Tokenize TypeError

问题描述

当尝试使用 Textract 从 PDF 中提取文本时，我得到一个 TypeError：“不能在类似字节的对象上使用字符串模式”。任何人都可以对可能的解决方案有所帮助吗？当我打印（文本）时，我从要提取的 PDF 中获取文本，尽管格式有点奇怪。但是， text[0] 等只包含数字..？

import textract
import os
from nltk.tokenize import word_tokenize

for filename in os.listdir('Harbour PDF'):
if '.DS_Store' == filename:
    continue
filename = 'Harbour PDF/' + filename
print(filename)

text = textract.process(filename)
print(text)

tokens = word_tokenize(text)
keywords = [word for word in word_tokenize(text,'english',False)]

错误：

文件“scrapePort.py”，第 15 行，在 tokens = word_tokenize(text) 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/init .py ”，第 143 行，在 word_tokenize sentence = [text] if preserve_line else sent_tokenize(text, language) File " /Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/init.py”，第 105 行，在 sent_tokenize 返回 tokenizer.tokenize(text) 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1269 行，在 tokenize 返回list(self.sentences_from_text(text, realign_boundaries)) 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1323 行，在 sentence_from_text 中返回 [text[s: e] for s, e in self.span_tokenize(text, realign_boundaries)] 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1323 行，作为回报 [ text[s:e] for s, e in self.span_tokenize(text, realign_boundaries)] 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1313 行, 在 span_tokenize 中用于切片中的 sl：文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1354 行，在 _realign_boundaries 中，用于 _pair_iter（切片）中的 sl1、sl2：文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk /tokenize/punkt.py”，第 317 行，在 _pair_iter prev = next(it) 文件“/Users/Rasmus/anaconda3/lib/python3.6/site-packages/nltk/tokenize/punkt.py”，第 1327 行，在 _slices_from_text 中匹配 self._lang_vars.period_context_re().finditer(text)：_lang_vars.period_context_re().finditer(text):_lang_vars.period_context_re().finditer(text): TypeError：不能在类似字节的对象上使用字符串模式

标签： pythonpdfextract

python - 从 PDF 中提取文本 -Tokenize TypeError

问题描述

解决方案

推荐阅读