如何将从 PDF 中提取的文本（使用 textract）写入 python 中的 docx 文件答案

【问题标题】：How do you write text extracted from PDF (using textract) to docx files in python如何将从 PDF 中提取的文本（使用 textract）写入 python 中的 docx 文件
【发布时间】：2020-11-26 10:57:40
【问题描述】：

我在一个 pdf 文件中有几篇文章，我正在尝试将这些文章分开并将它们写入单独的 Docx 文件。我设法使用正则表达式将它们分开，但是当我尝试将它们写入 docx 文件时，它会抛出此错误：ValueError: All strings must be XML compatible: Unicode or ASCII, no NULL bytes or control characters.

我的代码如下：

my_path = "/path/to/pdf"

newpath = textract.process(my_path)
newpath2 = newpath.decode("UTF-8")

result = re.findall(r'\d+ words(.*?)Document \w+', newpath2, re.DOTALL)


save_path = "/path/to/write/docx/files/"

for each in result:
    import time
    time=str(time.time())
    finalpath = (os.path.join(save_path, time))
    finalpath2 = finalpath+".docx"
    mydoc = docx.Document()
    mydoc.add_paragraph(each)
    mydoc.save(finalpath2)

【问题讨论】：

那么，为什么不删除它们呢？ .add_paragraph(remove_control_characters(each.replace('\x00',''))) 与来自this answer 的remove_control_characters。
@WiktorStribiżew 非常感谢。在这样做之前我需要导入一些东西吗？它抛出这个错误：NameError: name 'remove_control_characters' is not defined
我与该函数定义共享了问题的链接。只需将该函数复制并粘贴到您的代码中即可。
@WiktorStribiżew 已接受！快速的问题。我将使用更多可能包含其他 unicode 字符的 PDF 文件。如何让这段代码预测其他 unicode 字符而不实际告诉它要替换什么字符
我知道如果文本中包含 Unicode 字符不是问题。您只需要删除那些使其与您正在使用的解析器不兼容的那些。

标签： python regex docx text-extraction python-docx

【解决方案1】：

您可以删除所有 null 和控制字节字符并使用

.add_paragraph(remove_control_characters(each.replace('\x00','')))

remove_control_characters函数可以从Removing control characters from a string in python线程借用。

代码sn-p：

import unicodedata
def remove_control_characters(s):
    return "".join(ch for ch in s if unicodedata.category(ch)[0]!="C")

my_path = "/path/to/pdf"

newpath = textract.process(my_path)
newpath2 = newpath.decode("UTF-8")

result = re.findall(r'\d+ words(.*?)Document \w+', newpath2, re.DOTALL)

save_path = "/path/to/write/docx/files/"

for each in result:
    import time
    time=str(time.time())
    finalpath = (os.path.join(save_path, time))
    finalpath2 = finalpath+".docx"
    mydoc = docx.Document()
    mydoc.add_paragraph(remove_control_characters(each.replace('\x00','')))
    mydoc.save(finalpath2)

【讨论】：