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
相关产品推荐

