2

我正在使用 python2.7 和 PDFminer 从 pdf 中提取文本。我注意到有时 PDFminer 会给我带有奇怪字母的单词，但 pdf 查看器不会。同样对于 PDFminer 和其他 pdf 查看器返回的某些 pdf 文档结果是相同的（奇怪），但是有些文档 pdf 查看器可以识别文本（复制粘贴）。以下是返回值的示例：

来自 pdf 查看器：فتــح بــاب استيــراد البيــــــاج المجمـــد 来自 PDFMiner：ó ªéªdG êÉ````LódGh ¢†``«ÑdG OGô``«à°SG ÜÉH í``àa

所以我的问题是我能否得到与 pdf 查看器相同的结果，以及 PDFminer 有什么问题。它是否缺少我不知道的编码。

4

2 回答 2

2

是的。

这将在使用自定义字体编码（例如身份-H、身份-V 等）但未正确嵌入字体时发生。

pdfminer 在这种情况下会提供垃圾输出，因为需要编码来解释文本

于 2012-12-04T12:39:27.090 回答
0

也许您尝试阅读的 PDF 文件的编码尚不被 pdfMiner 支持。

上个月我遇到了类似的问题，最后通过使用名为“pdfBox”的java库并从python调用它来解决它。pdfBox 库支持我需要的编码，并且工作起来就像一个魅力！

首先，我从官方网站下载了 pdfbox ，然后从我的代码中引用了 .jar 文件的路径。

这是我使用的代码的简化版本（未经测试，但基于我的原始测试代码）。您将需要 subprocess32，您可以通过调用安装它pip install subprocess32

import subprocess32 as subprocess
import os
import tempfile

def extractPdf(file_path, pdfboxPath, timeout=30, encoding='UTF-8'):
    #tempfile = temp_file(data, suffix='.pdf')
    try:
        command_args = ['java', '-jar', os.path.expanduser(pdfboxPath), 'ExtractText', '-console', '-encoding', encoding, file_path]
        status, stdout, stderr = external_process(command_args, timeout=timeout)
    except subprocess.TimeoutExpired:
        raise RunnableError('PDFBox timed out while processing document')
    finally:
        pass#os.remove(tempfile)

    if status != 0:
         raise RunnableError('PDFBox returned error status code {0}.\nPossible error:\n{1}'.format(status, stderr))

    # We can use result from PDFBox directly, no manipulation needed
    pdf_plain_text = stdout
    return pdf_plain_text

def external_process(process_args, input_data='', timeout=None):
   process = subprocess.Popen(process_args,
                              stdout=subprocess.PIPE,
                              stdin=subprocess.PIPE,
                              stderr=subprocess.PIPE)
   try:
      (stdout, stderr) =  process.communicate(input_data, timeout)
   except subprocess.TimeoutExpired as e:
      # cleanup process
      # see https://docs.python.org/3.3/library/subprocess.html?highlight=subprocess#subprocess.Popen.communicate
      process.kill()
      process.communicate()
      raise e

   exit_status = process.returncode
   return (exit_status, stdout, stderr)


def temp_file(data, suffix=''):
   handle, file_path = tempfile.mkstemp(suffix=suffix)
   f = os.fdopen(handle, 'w')
   f.write(data)
   f.close()
   return file_path

if __name__ == '__main__':
    text = extractPdf(filename, 'pdfbox-app-2.0.3.jar')

` 此代码并非完全由我编写。我遵循了其他堆栈溢出答案的建议，但那是一个月前，所以我失去了原始来源。如果有人找到我得到这段代码的原始帖子，请告诉我，这样我就可以为他们的代码给予他们应得的荣誉。

于 2016-11-19T21:41:59.213 回答