印地语PDF转可编辑Docx文本：编码检测与转换报错排查

问题根源 #

1. 编码检测返回None：chardet无法识别部分PDF文件的编码，导致encoding变量为None，触发TypeError。
2. 字符串解码逻辑错误：Python 3中StringIO.getvalue()返回的是str类型，而decode()是bytes类型的专属方法，直接调用会触发AttributeError。

修复步骤 #

1. 添加编码默认值：当chardet检测失败时，指定PDF通用的默认编码（如latin-1，PDF内部文本多使用该编码）。
2. 移除多余解码操作：pdfminer的TextConverter配合StringIO输出的已经是处理好的字符串，无需额外解码；同时在TextConverter初始化时显式指定编码，确保解析过程规范。

修改后的完整代码 #

import codecs
import chardet
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO
from docx import Document

# 检测PDF文件编码，添加默认值避免None
with open("input.pdf", "rb") as pdf_file:
    result = chardet.detect(pdf_file.read())
    # 检测失败时用latin-1作为默认编码（PDF通用编码）
    encoding = result["encoding"] or "latin-1"

# 使用pdfminer提取PDF文本
rsrcmgr = PDFResourceManager()
retstr = StringIO()
laparams = LAParams()
# 显式指定编码，让pdfminer直接按该编码解析文本
device = TextConverter(rsrcmgr, retstr, laparams=laparams, encoding=encoding)
with open("input.pdf", "rb") as pdf_file:
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    for page in PDFPage.get_pages(pdf_file):
        interpreter.process_page(page)
    text = retstr.getvalue()

# 直接保存文本到docx文档
doc = Document()
doc.add_paragraph(text)
doc.save("output.docx")

关键说明 #

• 给encoding设置默认值latin-1，彻底避免chardet检测失败导致的None值问题。
• 在TextConverter中显式传入encoding参数，让pdfminer直接按指定编码解析并输出正确的str类型文本，无需后续手动解码。

内容的提问来源于stack exchange，提问作者Pranav