Python

Question

我尝试将 pdf 文档转换为 txt 文件。（pdf 文件示例 link）

所以我尝试如下。但是提取的文本很奇怪，比如 ??챘#?遏?h첨챦_철?‾n?~w??¬?k 我该如何解决？

#!/usr/bin/python
# -*- coding: cp949 -*-
# -*- coding: utf-8 -*-
# -*- coding: latin-1 -*-
# -*- coding: euc-kr -*-

import codecs
import pyPdf
filename = "d:/data/processed_data/paper/iscram/2006/iscram1.pdf"
#pdf = codecs.open(filename, "rb", encoding = 'utf-8') 
pdf = codecs.open(filename, "rb", encoding = 'latin1')
for page in pdf:
    print page.encode('utf-8')

我用的是win7-64位韩版

我通过使用 pyPdf 尝试了另一种方式，如下所示

import os
import glob
from pyPdf import PdfFileReader
import pdfminer

f=open("d:/data/processed_data/paper/iscram/2006/iscram1.txt",'w')
parent = "d:/data/processed_data/paper/iscram/2006"
os.chdir(parent)
filename = os.path.abspath('iscram1.pdf')

input = PdfFileReader(file(filename, "rb"))
for page in input.pages:
    f.write(page.extractText())

但它不起作用并且出现“'ascii'编解码器无法对位置 602 中的字符 u'\u0152 进行编码：序号不在范围内 (128)”错误

Answer 1

以前的代码根本行不通，PDF根本不一定包含直接可读的文本。不过，后一个带有 pyPdf 的代码看起来更有前途。

TypeError is raised because the pages in PDF（page）不是字符串，但f.write希望看到的是字符串。

因此您可以尝试使用文档中的 extractText 方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))

Answer 2

pdf 命令流使用类似于 latin-1 的编码进行编码
命令流包括在页面上显示内容的指令
这个东西是 "text" 那么它实际上是显示字符形状的指令，即从一种字体（或一种字体的子集或几种字体的位组合）中提取的字形。
大多数情况下，翻译这些字节所需的信息（比如）unicode 文本的说明存储在 PDF 中，但有时不是，有时根本不可能进行翻译（例如字体打印徽标的地方）。
PyPDF2（和许多其他开源 PDF 包）不包含处理此问题的全部复杂性的功能，但幸运的是，许多文档创建者依赖于一小部分 "standard encodings"包括许多 latin-1 变体，并且 'extract text' 函数在这些情况下确实提供了可用的结果。我还找到了 PDF，其中字体定义具有替换映射，可以为您提供所用每个字节的字形名称，并且发现很容易修改 PyPDF2 来解决这个问题。其他情况就没那么简单了。
最后，在尝试从 PDF 中提取可读文本时，还需要考虑另外两个因素。首先是一些 PDF 流可以被压缩，而一些是加密的。 PyPDF2 可以处理这两种情况。第二个问题是 PDF 说明只是将字符放在页面上的特定位置。在大多数情况下，PDF 编写者可能会按阅读顺序编写数据，但可能会在字内和断字处进行定位更改。

Python - pdf转文本，编码错误

Python - convert pdf to text, encoding error

pdf

error-handling

encoding

text