在python中读取pdf文件时使用编解码器的unicode错误

Question

我正在尝试阅读包含以下内容的pdf文件：

%PDF-1.4\n%âãÏÓ

如果我用open打开它，它可以工作，但如果我尝试使用codecs.open（filename，encoding =＆＃34; utf8＆＃34;，mode =＆＃34; rb＆＃34;）来获取unicode字符串，我得到以下例外：

UnicodeDecodeError: 'utf8' codec can't decode byte 0xe2 in position 10: invalid continuation byte

你知道从这个文件的内容中获取unicode字符串的方法吗？

PS：我使用的是python 2.7

Answer 1

PDF由二进制数据组成，而不是文本。它们不能有意义地表示为Unicode字符串。

对于它的价值，您可以通过将PDF视为ISO8859-1文本来获取包含这些特定字符的Unicode字符串：

f = codecs.open(filename, encoding="ISO8859-1", mode="rb")

但是在那时，你最好只使用普通open并读取字节。 Unicode用于文本，而不是数据。

Answer 2

尝试将任意二进制数据解释为文本的问题除外，0xe2是拉丁语-1，而不是UTF-8。你使用的是错误的编解码器。