Python删除文本文件特定字符：PDF转TXT后清理及报错求助

一、正确删除目标字符串的方法 #

你当前代码的核心问题是错误地将文本中的换行符当成了字符串"\n"，导致匹配逻辑失效。实际读取TXT文件时，换行是真实的换行符（\n），而非字符串"\n"（即反斜杠加n两个字符）。另外，需精准定位要删除的完整目标串，避免误删其他\nC\n。

修正后的代码示例 #

def findWordInText(name):
    txt_file = f"{name}.txt"
    count = 0   
    # 一次性读取全部文本
    with open(txt_file, 'r', encoding='utf-8', errors="ignore") as f:  
        content = f.read()
    
    # 目标要删除的完整字符串
    target_to_remove = "6\n5\n4\n3\n2\n1\nD\nC\nB\nA"
    # 如果存在目标串，直接删除
    if target_to_remove in content:
        print('需要删除目标内容')
        # 调用修改函数，替换为空字符串（即删除）
        inplace_change(txt_file, target_to_remove, "")
    # 检查是否还有单独的\nC\n
    if "\nC\n" in content:
        writeOnExcel(name, "C")
        count +=1

def inplace_change(file, old_str, new_str):
    with open(file, 'r', encoding='utf-8', errors="ignore") as f:
        s = f.read()
        if old_str not in s:
            print(f'"{old_str}" 未在 {file} 中找到。')
            return
    with open(file, 'w', encoding='utf-8', errors="ignore") as f:
        print(f'将 {file} 中的 "{old_str}" 替换为 "{new_str}"')
        s = s.replace(old_str, new_str)
        f.write(s)

关键修正点 #

• 匹配真实换行符：直接用"\nC\n"而非r"\nC\n"，r"\n"会被解析成两个字符（\和n），而文本中是单个换行符。
• 精准匹配目标串：直接匹配完整的"6\n5\n4\n3\n2\n1\nD\nC\nB\nA"，避免误删其他位置的\nC\n。如果一定要通过\nC\nB定位，可改用正则表达式匹配其前后内容：

  import re
  # 匹配包含\nC\nB\nA的整段内容并删除
  content = re.sub(r".*\nC\nB\nA", "", content)
  

• 修复变量名错误：原inplace_change函数中格式化字符串用了未定义的old_string/new_string，现在统一为old_str/new_str。
• 优化文件操作：避免重复打开文件，一次性读取内容后处理，减少IO开销。

二、解决Tabula转换PDF的报错问题 #

你遇到的subprocess.CalledProcessError是Tabula工具解析PDF时返回错误，常见原因及解决方法：

• 检查PDF文件状态：确认383026_C.pdf未加密、未损坏，用PDF阅读器打开验证完整性。
• 调整Tabula参数：
  • 替换--guess为--lattice（适配表格结构PDF）或--stream（适配流式文本PDF），不同参数解析逻辑不同。
  • 确认--pages 1是否正确，若需转换全部页面，改为--pages all。
• 验证Java环境：Tabula依赖Java 8及以上版本，确保终端中java命令能正常执行。
• 更新Tabula版本：当前使用的1.0.5版本较旧，执行以下命令升级：

  pip install --upgrade tabula-py
  

内容的提问来源于stack exchange，提问作者kronos_58