Решение "EOF market not found error" PyPDF2 - PullRequest
Новая
       39

Решение "EOF market not found error" PyPDF2

1 голос
/ 15 мая 2019

Я использую PyPDF2 и tika для извлечения текста из файлов .pdf и .htm. Я сталкиваюсь со следующей ошибкой: "PyPDF2.utils.PdfReadError: маркер EOF не найден"

Я видел несколько сообщений по этому вопросу, но ни одно из них не содержало решения.

Вот код, который я использую: 

from xlwt import Workbook

import PyPDF2, os

from tika import parser


wb = Workbook()

sheet1 = wb.add_sheet('Sheet 1')
sheet1.write(0, 0, 'file name')
sheet1.write(0, 1, 'file content')

pdfFiles = []
folderPath = 'C:/Users/Turing/Desktop/workingFiles' #! define the path for the folder including input files

for filename in os.listdir(folderPath):
    if filename.endswith('.htm') or filename.endswith('.pdf'):
        pdfFiles.append(filename)

pdfFiles.sort(key=str.lower)

row = 0

for filename in pdfFiles:
    row = row + 1
    #print(filename)
    sheet1.write(row, 0, filename)  # write the name of the file to column number 0 of output
    filename = folderPath+'\\'+filename
    pdfFileObj = open(filename, 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    raw = parser.from_file(filename)
    #print(raw['content'])
    sheet1.write(row, 1, raw['content']) # write the content of the input doc to column number 1 of the output

wb.save('MRS.xls')

Я загрузил один из проблемных файлов для справки.

1 Ответ

0 голосов
/ 19 июня 2019

Вы читаете файл HTML с PyPDF2.PdfFileReader, который ожидает файл PDF.Вероятно, проще всего разбить на 

pdfFiles = []
htmFiles = []
for filename in os.listdir(folderPath):
    if filename.endswith('.pdf'):
        pdfFiles.append(filename)
    if filename.endswith('.htm'):
        htmFiles.append(filename)

и разобрать их по отдельности.

...