使用textract进行PDF转文本时出现ShellError错误求助

问题根源 #

textract提取PDF文本依赖pdftotext工具，你的系统未安装该工具，或者工具路径未加入系统环境变量，导致执行命令时找不到程序，抛出ShellError和FileNotFoundError。

解决步骤 #

• 安装Poppler工具包
  pdftotext是Poppler工具包的一部分，需要先安装Windows版Poppler：

  1. 下载Poppler的Windows预编译稳定版本
  2. 解压到本地任意文件夹，比如C:\Poppler，记住其bin子文件夹的完整路径（如C:\Poppler\bin）

• 添加到系统环境变量

  1. 右键「此电脑」→「属性」→「高级系统设置」→「环境变量」
  2. 在「系统变量」列表中找到Path变量，点击「编辑」
  3. 点击「新建」，填入刚才的bin文件夹路径，点击「确定」保存
  4. 必须重启VSCode，让新的环境变量生效

• 验证安装配置
  打开VSCode的终端，输入命令：

  pdftotext --version
  

  如果能正常显示版本信息，说明配置成功。

• 重新运行代码
  再次执行你的PDF提取代码：

  text = textract.process('sample.pdf')
  

  即可正常提取文本。

备选方案（无需环境变量） #

如果不想修改环境变量，可以在代码中直接指定pdftotext的完整路径：

import textract
# 替换成你实际的pdftotext.exe路径
text = textract.process(
    'sample.pdf',
    method='pdftotext',
    cmd=['C:/Poppler/bin/pdftotext.exe', 'sample.pdf', '-']
)

内容的提问来源于stack exchange，提问作者Praveen V