PDFPlumber解析PDF文本报错：AssertionError: (‘Unhandled’, 6)
文章目录
- 1、问题描述
- 2、问题原因
- 3、问题解决
1、问题描述
今天在使用PDFPlumber模块提取PDF文本时extract_text()方法报错，报错内容如下：
Traceback (most recent call last):......File "F:\Python\...\site-packages\pdfminer\pdffont.py", line 1091, in __init__self.unicode_map = ttf.create_unicode_map()File "F:\Python\...\site-packages\pdfminer\pdffont.py", line 826, in create_unicode_mapassert False, str(("Unhandled", fmttype))
AssertionError: ('Unhandled', 6)
报错代码如下：
import pdfplumberwith pdfplumber.open(rf'F:\...\file.pdf') as pdf:for page in pdf.pages:print(page.extract_text())
2、问题原因
经查找原因，最终确定可能是PDF文件本身的原因，具体可见这篇文章：https://github.com/jsvine/pdfplumber/discussions/994?sort=new
ChatGPT则认这种错误是因为库内部遇到了某种它无法处理的情况，ChatGPT给出的解决方案如下：
1） 更新PDFPlumber库
pip install --upgrade pdfplumber
2） 检查PDF文件
确认PDF文件没有损坏，并且是文本格式的PDF而不是扫描的图像
3） 使用其他方法
可以尝试使用extract_words()或extract_tables()等其他方法，这取决于你需要提取的内容类型
4） 捕获异常
添加异常处理，这样即使遇到错误也不会导致程序崩溃
try:text = page.extract_text()
except AssertionError as e:print(e)text = None
5） 尝试其他库
可以考虑使用其他PDF处理库，如PyPDF2或PyMuPDF等
在尝试了ChatGPT的一些建议后，确定可能是PDF本身的原因，因此考虑使用其他库
3、问题解决
经过尝试，最终发现PyMuPDF库可以解析使用：
import fitzwith fitz.open(rf'F:\...\file.pdf') as doc:for page in doc.pages():print(page.get_text())
看来是PDF本身的原因，我们的PDF可能已经损坏