有没有办法从带有俄语文本(cp1251)的pdf文件中提取文本?
为了解析 pdf 文件,我使用 pdfminer 包。我试图在 pdfminer.converter.TextConverter 类的参数中指定编码,但它没有帮助。
如果您想在从 PDF 文件中提取文本后进一步解析文本,则需要 python ...所以只需先提取文本而不转换文本并将其保存在 txt 文件中。
您可以为此目的使用 pdf2txt(使用 unbuntu:http ://manpages.ubuntu.com/manpages/precise/man1/pdf2txt.1.html )
然后你用 python 打开文件并将文本形式 cp1251 转换为 utf-8,这里接受的答案将告诉你如何做:
然后解析...