解決“找不到EOF市場錯誤” PyPDF2

Question

我正在使用PyPDF2和tika從.pdf和.htm文件中提取文本。 我遇到以下錯誤：“ PyPDF2.utils.PdfReadError：找不到EOF標記”

我已經看到有關此問題的多個帖子，但沒有一個提供解決方案。

這是我正在使用的代碼：

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')

我已經上傳了有問題的文件之一供您參考。

Answer 1

您正在使用PyPDF2.PdfFileReader讀取HTML文件，該文件需要PDF文件。 可能最容易分解為

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

並分別解析它們。