尝试从 PDF 中提取文本给了我这个错误：“TypeError: can only concatenate str (not "NoneType") to str”

问题描述

我目前正在尝试从整个 PDF 中提取文本。我尝试从 PDF 的单个页面中提取文本并且它工作正常但是当我尝试提取整个 PDF 时，它给了我这个错误：

    Traceback (most recent call last):
  File "D:/PDF_extract_1/main.py",line 35,in <module>
    extract_whole_pdf()
  File "D:/PDF_extract_1/main.py",line 26,in extract_whole_pdf
    final = final + "\n" + data
TypeError: can only concatenate str (not "nonetype") to str

作为参考，这是我从单页提取时使用的代码：

def extract_first():
    pdf = pdfplumber.open("pdftest2.pdf")
    page = pdf.pages[6] #just for example,I chose page 5 of the PDF
    text = page.extract_text()

    print("First page data : {}".format(text))

    with open("pdf_pages.txt","w",encoding='utf-8') as f:
        f.write(text)

    pdf.close()

这是我用来提取整个 PDF 的代码：

def extract_whole_pdf():
    pdf = pdfplumber.open("pdftest2.pdf")
    n = len(pdf.pages)

    final = ""
    for page in range(n):
        data = pdf.pages[page].extract_text()
        final = final + "\n" + data

    print("Whole document data : {}".format(final))

    with open("pdf_extract.txt",encoding='utf-8') as f:
        f.write(final)

    pdf.close()

我注意到这个问题被问了很多，但它们似乎不适用于我的问题。其中一个 questions 也有类似的错误，但情况与我的不同。

解决方法

问题似乎是方法 extract_text() 在找到空页面时返回 None。您可以通过测试连接前返回的数据来解决这个问题：

def extract_whole_pdf():
    pdf = pdfplumber.open("pdftest2.pdf")
    n = len(pdf.pages)

    final = ""
    for page in range(n):
        data = pdf.pages[page].extract_text()
        if data:
            final = final + "\n" + data

    print(f"Whole document data : {final}")

    with open("pdf_extract.txt","w",encoding='utf-8') as f:
        f.write(final)

    pdf.close()

作为旁注，我还建议使用 f-strings 进行字符串格式化，因为它是最新的标准。

pdf pdfplumber python