解决pyPdf和pyPdf2在合并pdf时出现异常的问题
当一个pdf文件有多page的时候,它将出来见你!
方法是取直接修改那个文件generic.py
(1) pyPdf
路径大约在这里:
/usr/lib/python2.7/site-packages/pyPdf/generic.py
if data.has_key(key): # multiple definitions of key not permitted raise utils.PdfReadError, "multiple definitions in dictionary" data[key] = value
大约在532--536行
将它修改为:
if not data.get(key): data[key] = value
(2)pyPdf2
路径大约在:
/usr/lib/python2.7/site-packages/PyPDF2/generic.py
if not data.get(key): data[key] = value elif pdf.strict: # multiple definitions of key not permitted raise utils.PdfReadError("Multiple definitions in dictionary at byte %s for key %s" \ % (utils.hexStr(stream.tell()), key))
修改为:
if not data.get(key): data[key] = value
补充知识:在Python里如何切分中文文本句子(分句)、英文文本分句(切分句子)
在处理文本时,会遇到需要将文本以 句子 为单位进行切分(分句)的场景,而文本又可以分为 中文文本 和 英文文本 ,处理的方法会略有不同。本文会介绍 Python 是如何处理 分句 的。
分句的关键是找到合适的结束符号,比如:中文里的 。,英文里的 . 等,而且,在这一点上中英也是有很大区分的。
这里介绍一种纯用 Python 实现的分句函数。
def cut_sentences(content): # 结束符号,包含中文和英文的 end_flag = ['?', '!', '.', '?', '!', '。', '…'] content_len = len(content) sentences = [] tmp_char = '' for idx, char in enumerate(content): # 拼接字符 tmp_char += char # 判断是否已经到了最后一位 if (idx + 1) == content_len: sentences.append(tmp_char) break # 判断此字符是否为结束符号 if char in end_flag: # 再判断下一个字符是否为结束符号,如果不是结束符号,则切分句子 next_idx = idx + 1 if not content[next_idx] in end_flag: sentences.append(tmp_char) tmp_char = '' return sentences content = '在处理文本时,会遇到需要将文本以 句子 为单位进行切分(分句)的场景,而文本又可以分为 中文文本 和 英文文本 ,处理的方法会略有不同。本文会介绍 Python 是如何处理 分句 的。' sentences = cut_sentences(content) print('\n\n'.join(sentences)) 在处理文本时,会遇到需要将文本以 句子 为单位进行切分(分句)的场景,而文本又可以分为 中文文本 和 英文文本 ,处理的方法会略有不同。 本文会介绍 Python 是如何处理 分句 的。
这个函数可以通过修改 end_flag (结束符号),来自定义特定的句子切分方式,比如加入 ; 等符号。
当然,也可以用正则表达式来完成分句,使用 re.split 的方法。
import re def cut_sentences(content): sentences = re.split(r'(\.|\!|\?|。|!|?|\.{6})', content) return sentences content = content = '在处理文本时,会遇到需要将文本以 句子 为单位进行切分(分句)的场景,而文本又可以分为 中文文本 和 英文文本 ,处理的方法会略有不同。本文会介绍 Python 是如何处理 分句 的。' sentences = cut_sentences(content) print('\n\n'.join(sentences)) 在处理文本时,会遇到需要将文本以 句子 为单位进行切分(分句)的场景,而文本又可以分为 中文文本 和 英文文本 ,处理的方法会略有不同 。 本文会介绍 Python 是如何处理 分句 的 。
这里还可以安利大家一个非常不错的处理中文标点符号的第三库: zhon,可以通过 pip install zhon 安装,功能也算非常丰富。
我们使用 zhon 来实现中文分句。
import re import zhon rst = re.findall(zhon.hanzi.sentence, '我买了一辆车。妈妈做的菜,很好吃!') print(rst) ['我买了一辆车。', '妈妈做的菜,很好吃!']
大家可以阅读 zhon的官方文档,了解更多的使用案例。
以上这篇解决pyPdf和pyPdf2在合并pdf时出现异常的问题就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。
赞 (0)