Question

我正在尝试使用pyPdf从多页PDF中提取和打印页面。问题是，文本不是从某些页面中提取的。我在这里放了一个示例文件：

http://www.4shared.com/document/kmJF67E4/forms.html

如果运行以下命令，前81页将不返回任何文本，而最后11页正确提取。有人可以帮忙吗？

from pyPdf import PdfFileReader  
input = PdfFileReader(file("forms.pdf", "rb"))  
for page in input1.pages:  
    print page.extractText()

Answer 1

请注意，extractText()仍然无法正确提取文本。来自extractText()的文档：

适用于某些PDF文件，但对其他人来说很糟糕，取决于使用的发电机。这将会在未来精炼。不要依赖文本的顺序来自于此功能，如果这样会改变功能变得更加复杂。

由于它是您想要的文本，因此您可以使用Linux命令pdftotext。

要使用Python调用它，您可以这样做：

>>> import subprocess
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output'])

文本摘自forms.pdf并保存到output。

这适用于您的PDF文件，并提取您想要的文本。

Answer 2

您也可以尝试pdfminer库（也在python中），看看它是否更好地提取文本。但是，为了分裂，你必须坚持使用pyPdf，因为pdfminer不支持。

Answer 3

这不是一个真正的答案，但pyPdf的问题是：它还不支持CMaps。 PDF允许字体使用CMap将字符ID（PDF中的字节）映射到Unicode字符代码。如果您的PDF包含非ASCII字符，则可能正在使用CMap，有时甚至在没有非ASCII字符时也是如此。当pyPdf遇到不是标准Unicode编码的字符串时，它只会看到一堆字节代码;它不能将这些字节转换为Unicode，因此它只给你空字符串。我实际上有同样的问题，我正在研究源代码。这很费时间，但我希望在2011年中期左右向维护者发送补丁。

Answer 4

我发现有时将其转换为ps（尝试使用pdf2ps和pdftops获取潜在差异）然后返回pdf（ps2pdf）。然后再次尝试原始脚本。

Answer 5

我开始认为我应该采用凌乱的两部分解决方案。 PDF有两个部分，pp 1-82有文本页面标签（pdftotext可以提取），pp 83-end没有页面标签但是pyPDF可以提取并且它明确地知道页面。

我想我需要将两者结合起来。笨重，但我没有看到它的任何方式。可悲的是，我不得不在Windows机器上执行此操作。

Answer 6

我遇到过类似的问题，对于一些pdf和windows，这对我来说非常好：

1.-下载适用于Windows的Xpdf工具

2.-将pdpdotext.exe从xpdf-tools-win-4.00 \ bin32复制到C：\ Windows \ System32，再复制到C：\ Windows \ SysWOW64

3.-使用子进程从控制台运行命令：

import subprocess

try:
    extInfo = subprocess.check_output('pdftotext.exe '+filePath + ' -',shell=True,stderr=subprocess.STDOUT).strip()
except Exception as e:
    print (e)

pyPdf无法从我的PDF中的某些页面中提取文本

6 个答案: