Question

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观众不会。另外对于一些pdf文档，PDFminer和其他pdf查看器返回的结果是相同的（奇怪的），但是有文档，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 viewer：فتحبابا ستيرادالبي ضوالدجاجالمجمد 来自PDFMiner：óªéªdG êÉ````LódGh ¢†``«ÑdG OGô``«à°SG ÜÉHí``àa

所以我的问题是我可以得到与pdf viewer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。

Answer 1

是

当使用自定义字体编码时会发生这种情况，例如identity-H，identity-V等，但字体未正确嵌入。

pdfminer在这种情况下提供垃圾输出，因为需要编码来解释文本

Answer 2

您尝试阅读的PDF文件可能还有pdfMiner尚不支持的编码。

上个月我遇到了类似的问题，最后通过使用名为＆＃34; pdfBox＆＃34;的Java库解决了这个问题。并从python中调用它。 pdfBox库支持我需要的编码，并且像魅力一样工作！。

首先我从official site下载了pdfbox 然后从我的代码中引用.jar文件的路径。

这是我使用的代码的简化版本（未经测试，但基于我原来的测试代码）。您将需要subprocess32，您可以通过调用pip install subprocess32

来安装它

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')

` 这段代码并非完全由我编写。我按照其他堆栈溢出答案的建议，但它是一个月前，所以我失去了原始的来源。如果有人找到我收到此代码段的原始帖子，请告诉我，这样我就可以为他们提供他们应得的代码。

PDFminer给出了奇怪的字母

2 个答案: