1

Windows 10 上的 Python 3.7。Camelot 0.8.2

我正在使用以下代码将 pdf 文件转换为 HTML：

import camelot
import os
 
def CustomScript(args):
    path_to_pdf = "C:\PDFfolder\abc.pdf"        
    folder_to_pdf = os.path.dirname(path_to_pdf)
    tables = camelot.read_pdf(os.path.normpath(path_to_pdf), flavor='stream', pages='1-end')
    tables.export(os.path.normpath(os.path.join(folder_to_pdf,"temp","foo.html")), f='html')
    return CustomScriptReturn.Empty();

tables.export我在该行收到以下错误：

“UnicodeEncodeError -'charmap' 编解码器无法在位置 y 编码字符 '\u2010'：字符映射到未定义。

此代码在 Mac 上运行没有问题。此错误似乎与 Windows 有关，这是我需要在其上运行它的环境。

我现在花了整整两天时间研究这个令人作呕的错误- 我已经尝试了 Stack Overflow 上与此相关的几篇文章中提供的许多解决方案。错误仍然存​​在。添加所有解决方案中建议的代码行的问题在于，它们都是要添加到普通 Python 方法的参数。这些参数不适用于 Camelot 的export方法。

编辑 1：更新帖子以指定哪一行引发错误。

编辑 2：使用的 PDF 文件： http: //tsbde.texas.gov/78i8ljhbj/Fiscal-Year-2014-Disciplinary-Actions.pdf

编辑 3：这是来自 Windows 控制台的完整回溯：

> Traceback (most recent call last):   File "main.py", line 18, in
> <module>
>     tables.export(os.path.normpath(os.path.join(folder_to_pdf, "foo.html")), f='html')   File
> "C:\Users\stpete\AppData\Local\Programs\Python\Python37\lib\site-packages\camelot\core.py",
> line 737, in export
>     self._write_file(f=f, **kwargs)   File "C:\Users\stpete\AppData\Local\Programs\Python\Python37\lib\site-packages\camelot\core.py",
> line 699, in _write_file
>     to_format(filepath)   File "C:\Users\stpete\AppData\Local\Programs\Python\Python37\lib\site-packages\camelot\core.py",
> line 636, in to_html
>     f.write(html_string)   File "C:\Users\stpete\AppData\Local\Programs\Python\Python37\lib\encodings\cp1252.py",
> line 19, in encode
>     return codecs.charmap_encode(input,self.errors,encoding_table)[0] UnicodeEncodeError: 'charmap' codec can't encode character '\u2010' in
> position 5737: character maps to <undefined>
4

2 回答 2

4

您面临的问题与方法有关camelot.core.Table.to_html：

def to_html(self, path, **kwargs):
"""Writes Table to an HTML file.
For kwargs, check :meth:`pandas.DataFrame.to_html`.
Parameters
----------
path : str
    Output filepath.
"""
html_string = self.df.to_html(**kwargs)
with open(path, "w") as f:
    f.write(html_string)

在这里，要写入的文件应该使用 UTF-8 编码打开，而不是。

这是我的解决方案，它使用猴子补丁替换原来的 camelot 方法：

import camelot
import os

# here I define the corrected method
def to_html(self, path, **kwargs):
    """Writes Table to an HTML file.
    For kwargs, check :meth:`pandas.DataFrame.to_html`.
    Parameters
    ----------
    path : str
        Output filepath.
    """
    html_string = self.df.to_html(**kwargs)
    with open(path, "w", encoding="utf-8") as f:
        f.write(html_string)

# monkey patch: I replace the original method with the corrected one
camelot.core.Table.to_html=to_html

def CustomScript(args):
    path_to_pdf = "C:\PDFfolder\abc.pdf"        
    folder_to_pdf = os.path.dirname(path_to_pdf)
    tables = camelot.read_pdf(os.path.normpath(path_to_pdf), flavor='stream', pages='1-end')
    tables.export(os.path.normpath(os.path.join(folder_to_pdf,"temp","foo.html")), f='html')
    return CustomScriptReturn.Empty();

我测试了这个解决方案，它适用于 Python 3.7、Windows 10、Camelot 0.8.2。

于 2020-08-17T13:52:20.237 回答
0

您得到UnicodeEncodeError，在这种情况下，这意味着要写入文件的输出包含一个字符，该字符无法以您的平台的默认编码 cp1252 进行编码。

camelot 在写入 html 文件时似乎不处理设置编码。

一种解决方法可能是在运行程序时将PYTHONIOENCODING环境变量设置为“UTF-8”：

C:\> set PYTHONIOENCODING=UTF-8 && python myprog.py

强制使用 UTF-8 编码输出文件。

于 2020-08-16T09:38:27.157 回答