使用Haystack PDFToTextConverter转换本地PDF遇getText()参数错误求助

问题 #

运行Haystack入门教程一切正常，但尝试用本地PDF文件替代维基百科《权游》文章时持续报错。使用的代码如下：

from haystack.nodes import PDFToTextConverter
from pathlib import Path


def haystack():
    converter = PDFToTextConverter(
        remove_numeric_tables=True,
        valid_languages=["de"]
    )

    docs = converter.convert(file_path=Path("C:/Users/Franzi/Documents/myPDF.pdf"), meta=None)


if __name__ == '__main__':
    haystack()

报错信息：

File "C:\Users\Franzi\PycharmProjects\pythonProject2\main.py", line 15, in <module>
    haystack()
  File "C:\Users\Franzi\PycharmProjects\pythonProject2\main.py", line 11, in haystack
    docs = converter.convert(file_path=Path("C:/Users/Franzi/Documents/myPDF.pdf"), meta=None)
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\site-packages\haystack\nodes\file_converter\pdf.py", line 171, in convert
    pages = self._read_pdf(
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\site-packages\haystack\nodes\file_converter\pdf.py", line 301, in _read_pdf
    for page in results:
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\concurrent\futures\process.py", line 484, in _chain_from_iterable_of_lists
    for element in iterable:
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\concurrent\futures\_base.py", line 611, in result_iterator
    yield fs.pop().result()
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\concurrent\futures\_base.py", line 439, in result
    return self.__get_result()
  File "C:\Users\Franzi\AppData\Local\Programs\Python\Python38\lib\concurrent\futures\_base.py", line 388, in __get_result
    raise self._exception
TypeError: getText() got an unexpected keyword argument 'textpage'

环境为Python 3.8、PyCharm 2023.2，试过不同PDF文件，也尝试使用from haystack.utils import convert_files_to_docs; convert_files_to_docs()，仍出现相同错误。

解决方法 #

这个错误源于PyPDF2版本与Haystack不兼容。Haystack的PDFToTextConverter依赖特定版本的PyPDF2，新版本PyPDF2已移除textpage参数，但旧版Haystack代码仍在调用该参数。

• 卸载当前PyPDF2版本：

  pip uninstall PyPDF2 -y
  

• 安装兼容版本（推荐2.12.1，该版本适配Haystack的PDF转换器）：

  pip install PyPDF2==2.12.1
  

• 重新执行PDF转换代码即可解决问题。

另外，若使用Haystack v2.x版本，也可直接升级Haystack至最新稳定版，新版本已适配PyPDF2的更新。

内容的提问来源于stack exchange，提问作者geoidiot