脚本移至其他文件夹后Find-String-Between函数失效问题

核心排查方向 #

• 编码差异问题：不同文件夹环境下，pdftotext提取的文本编码可能变化。原文件夹的系统默认编码与新文件夹环境编码不一致，导致提取的文本带有不可见的BOM（字节顺序标记）或特殊编码字符，使IndexOf无法匹配目标字符串。

  • 验证操作：在新文件夹下将提取的文本输出到文件，用记事本打开后通过「文件→另存为」查看底部显示的当前编码，对比原文件夹提取文本的编码。
  • 修复方案：调用pdftotext时指定编码参数，例如 pdftotext.exe -enc UTF-8 "input.pdf" "output.txt"；或在PowerShell读取文本时明确编码：Get-Content $tempFile -Encoding UTF8。

• 字符串隐藏格式差异：跨文件夹提取的文本中，空格、换行符、制表符的解析可能变化（比如原环境下换行是\r\n，新环境下变成\n），肉眼看似相同的字符串实际字符编码不一致，导致IndexOf匹配失败。

  • 验证操作：将目标字符串与提取文本片段转为ASCII码对比，示例代码：

    $extractedText = # 替换为你的提取文本变量
    $targetStr = "你的目标匹配字符串"
    [byte[]]$extractedBytes = [text.encoding]::UTF8.GetBytes($extractedText.Substring(0, $targetStr.Length))
    [byte[]]$targetBytes = [text.encoding]::UTF8.GetBytes($targetStr)
    Compare-Object $extractedBytes $targetBytes
    

  • 修复方案：匹配前对文本做标准化处理，比如去除多余空白：$cleanText = $extractedText -replace '\s+', ' '，或统一换行符：$cleanText = $extractedText -replace "rn", "n"`。

• 函数内部路径依赖：Find-String-Between函数可能隐含原文件夹的路径逻辑，比如临时文件使用相对路径而非绝对路径，导致在新文件夹下生成的临时文件位置错误，读取到空内容或旧缓存内容。

  • 验证操作：在函数中添加调试输出查看处理的文本内容，示例代码：

    function Find-String-Between {
        param($text, $start, $end)
        Write-Host "当前处理文本片段：$($text.Substring(0, 500))"
        $startIndex = $text.IndexOf($start)
        Write-Host "起始索引：$startIndex"
        # 函数原有逻辑...
    }
    

  • 修复方案：确保临时文件使用绝对路径，比如$tempFile = Join-Path $PSScriptRoot "temp.txt"，避免依赖当前工作目录。

• 文件夹权限限制：新文件夹的读写权限不足，导致脚本无法正确写入临时文件，虽然看似提取了PDF文本，但实际读取的是缓存或空内容。

  • 验证操作：手动在新文件夹下创建文本文件，确认是否有写入权限；检查脚本生成的临时文件是否存在、内容是否完整。
  • 修复方案：将脚本移至有读写权限的文件夹，或右键以管理员身份运行脚本。

内容的提问来源于stack exchange，提问作者wickyd