You need to enable JavaScript to run this app. Python用textract拆分PDF文本写docx时触发XML兼容ValueError如何解决
优惠活动
大模型
产品
解决方案
定价
更多

Python用textract拆分PDF文本写docx时触发XML兼容ValueError如何解决

报错根因

触发该ValueError的核心是python-docx的底层XML序列化校验:XML规范要求文档字符串不能包含NULL空字节、除换行/制表/回车外的大部分ASCII控制字符。你通过textract提取的PDF文本,经常会夹带扫描识别残留、跨页带入的非法控制字符,直接传入写入逻辑就会触发校验报错。

具体修复方案
  • 新增XML非法字符清洗逻辑,所有拆分得到的文本在写入docx前必须过滤掉不被兼容的字符:
import re
# 匹配所有XML规范禁止的字符:排除合法的换行(\n)、制表(\t)、回车(\r),覆盖ASCII范围0x00-0x08、0x0B-0x0C、0x0E-0x1F、0x7F的非法字符
ILLEGAL_XML_REGEX = re.compile(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]')

def clean_text_for_xml(raw_text: str) -> str:
    # 直接替换所有非法字符为空字符串
    return ILLEGAL_XML_REGEX.sub('', raw_text)
  • 修正原代码的隐藏bug:循环内部直接把导入的time模块赋值给了同名的字符串时间戳变量,第一次循环可以正常运行,但后续循环会触发module object is not callable的二次报错,必须把时间戳变量和模块名做区分。
  • 调整写入流程,修正后的可运行参考代码:
import os
import re
import time
import textract
import docx

# 配置路径
pdf_path = "/path/to/pdf"
output_dir = "/path/to/write/docx/files/"

# 读取解码PDF文本
pdf_raw_bytes = textract.process(pdf_path)
pdf_decoded_str = pdf_raw_bytes.decode("UTF-8")

# 按规则拆分文章
article_list = re.findall(r'\d+ words(.*?)Document \w+', pdf_decoded_str, re.DOTALL)

# 定义非法字符匹配规则
illegal_char_pattern = re.compile(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]')

for content in article_list:
    # 先做字符清洗
    clean_content = illegal_char_pattern.sub('', content)
    # 生成独立文件名,避免和time模块重名
    file_name = str(time.time()) + ".docx"
    full_save_path = os.path.join(output_dir, file_name)
    # 写入文档
    doc = docx.Document()
    doc.add_paragraph(clean_content)
    doc.save(full_save_path)
  • 兜底优化:如果清洗后仍偶发报错,可以额外加一行空字节替换,即clean_content = clean_content.replace('\x00', ''),这是PDF文本提取场景下最常见的报错触发源。

内容的提问来源于stack exchange,提问作者Eisenheim

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:2026.11.16 14:36:04