You need to enable JavaScript to run this app. Python实现PDF词频统计运行报错TypeError:无法对字节类对象使用字符串模式
优惠活动
大模型
产品
解决方案
定价
更多

Python实现PDF词频统计运行报错TypeError:无法对字节类对象使用字符串模式

报错原因

触发TypeError: cannot use a string pattern on a bytes-like object的核心是re.findall传入的text变量为字节(bytes)类型,而正则匹配用的是字符串模式,二者类型不兼容。
问题出在两处代码逻辑:

  • 当PDF能正常提取文本时,你主动执行了text.encode('ascii','ignore').lower(),encode操作会把字符串转为bytes类型
  • 当PDF无法提取文本、走else分支时,textract.process接口本身返回的就是bytes类型,没有转成字符串
修复方案

替换原代码中以下片段即可:

if text != "":
    text = text
 
else:
    text = textract.process('words.txt', method='tesseract', language='eng')


text = text.encode('ascii','ignore').lower()

替换为:

if text != "":
    # 原文本为字符串,编码过滤后转回字符串再转小写
    text = text.encode('ascii','ignore').decode('ascii').lower()
else:
    # textract返回字节,直接解码为字符串后转小写,忽略无法识别的字符
    text = textract.process('words.txt', method='tesseract', language='eng').decode('ascii','ignore').lower()

修改后text统一为字符串类型,后续re.findall和权重计算逻辑都可以正常运行。如果需要处理含非英文的内容,把代码中的ascii替换为对应的编码格式(如utf-8)即可。

内容的提问来源于stack exchange,提问作者Sean Chinery

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.16 06:06:04