Discussion :

[marco056]

Bonjour,
Encore un problème d'encodage !
Je sais que le problème a déjà été soulevé plusieurs fois mais je rencontre des difficultés.

Je travaille sous ubuntu avec python2.7 à cause de pyPdf que je n'arrive pas à installer pour python3.

Voici mon code qui cherche à imprimer la première page d'une liste de fichiers pdf dans un fichier tex :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
#! /usr/bin/env python
#-*- coding: utf-8 -*-
 
import codecs
from pyPdf import PdfFileReader
import os
 
chemin='/media/marco2/113A293E768D5BA6/scilab/scilab_web/'
liste1=os.listdir(chemin)
liste2=[]
 
for fich in liste1:
	if fich.endswith(".pdf"):
		liste2.append(fich)
 
f = codecs.open("liste3.tex","wb",encoding='utf8')
 
for fichier in liste2:
	print (fichier)
	entree = PdfFileReader(file(chemin+fichier, "rb"))
	page1 = entree.getPage(0)
	txt=page1.extractText()
	print (txt)
	f.write(fichier)
	f.write("\\")
	f.write(txt)
 
f.close()

Voici le message d'erreur après avoir affiché tout le texte de la première page de plusieurs fichiers :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
 
2-Entrées sorties.pdf
Traceback (most recent call last):
  File "recherche-titre1.py", line 24, in <module>
    f.write(fichier)
  File "/usr/lib/python2.7/codecs.py", line 691, in write
    return self.writer.write(data)
  File "/usr/lib/python2.7/codecs.py", line 351, in write
    data, consumed = self.encode(object, self.errors)
UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 6: ordinal not in range(128)

Si quelqu'un a une idée...

[wiztricks]

Salut,
Ca pete sur:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

f.write(fichier)

Or fichier sort de liste2 construite par:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
chemin='/media/marco2/113A293E768D5BA6/scilab/scilab_web/'
liste1=os.listdir(chemin)
liste2=[]
 
for fich in liste1:
	if fich.endswith(".pdf"):
		liste2.append(fich)

Sous Python2, os.listdir retourne des bytes si le chemin est exprime en bytes et de l'unicode si le chemin est u'...'.
=> ecrivez chemin=u'/media/marco2/113A293E768...'

Apres je ne comprends pas le pourquoi de:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

f = codecs.open("liste3.tex","wb",encoding='utf8')

soit vous écrivez de bytes et pas la peine de préciser l'encoding soit vous écrivez du texte....

- W

[marco056]

Sous Python2, os.listdir retourne des bytes si le chemin est exprime en bytes et de l'unicode si le chemin est u'...'.
=> ecrivez chemin=u'/media/marco2/113A293E768...'

Apres je ne comprends pas le pourquoi de:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

f = codecs.open("liste3.tex","wb",encoding='utf8')

soit vous écrivez de bytes et pas la peine de préciser l'encoding soit vous écrivez du texte....

- W

Je crois que je n'ai pas très bien compris l'histoire des bytes et du texte.
Je vais me pencher sur ce problème.
Votre ajout fonctionne très bien et je vous remercie.
Je souhaite du texte pour travailler sur le fichier externe codé en utf8.
Merci encore !

[wiztricks]

Salut,
En 2.7, il est préférable d'utiliser le module io plutôt que le module codecs. Ca aurait rale plus tot:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
>>> f = io.open('toto.dat', 'wb', encoding='utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: binary mode doesn't take an encoding argument

Mais open n''aurait pas apprécié non plus:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
>>> f = io.open('test2.dat', 'wb', encoding='utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ValueError: binary mode doesn't take an encoding argument

Je ne sais pas ce que codecs fait dans ce cas la.
- W

[marco056]

Merci,
Je ne connais pas le module "io".

En fait, les premières pages e mes fichiers sont trop longues et j'aurais souhaité extraire par exemple les 3 ou 4 premières lignes.
Dans le code suivant, tout marche mais pas l'avant-dernière ligne : celle où j'ai mis un #.
Je ne comprends pas trop mais c'est encore une histoire d'encodage apparemment (je peux mettre le message d'erreur si besoin).

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
 
#! /usr/bin/env python
#-*- coding: utf-8 -*-
 
 
# en python 2.7
 
 
import codecs
from pyPdf import PdfFileReader
import os
 
# chemin=u'/media/marco2/113A293E768D5BA6/scilab/scilab_web/'
chemin=u'../'
liste1=os.listdir(chemin)
liste2=[]
 
for fich in liste1:
	if fich.endswith(".pdf"):
		liste2.append(fich)
 
f = codecs.open("final.tex","wb",encoding='utf8')
N=4
 
for fichier in liste2:
	entree = PdfFileReader(file(chemin+fichier, "rb"))
	page1 = entree.getPage(0)
	txt=page1.extractText()
	# print (txt)
	# print (fichier)
	g = codecs.open("temp.tex","wb",encoding='utf8')
	g.write(fichier)
	g.write("\n")
	g.write(txt)
	g.close()
	with open("temp.tex", 'r') as sortie:
		for ligne in(0,N):
			data=sortie.readline()
			print data
			# f.write(data)
 
f.close()

[marco056]

Résolu en changeant la fin :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
 
sortie = codecs.open("temp.tex","r",encoding='utf8')
	for ligne in(0,N):
		data=sortie.readline()
		print data
		f.write(data)