Question

使用pdfminer（pdf2txt.py）处理file时，我收到空输出：

dan@work:~/project$ pdf2txt.py  docs/homericaeast.pdf 

dan@work:~/project$

有人可以说这个文件有什么问题吗？我可以做些什么来从中获取数据？

此处dumppdf.py docs/homericaeast.pdf输出：

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="2" /></value>
<key>Root</key>
<value><ref id="1" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
</list></value>
<key>Size</key>
<value><number>27</number></value>
</dict>
</trailer>

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="2" /></value>
<key>Root</key>
<value><ref id="1" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
</list></value>
<key>Size</key>
<value><number>27</number></value>
</dict>
</trailer>

Answer 1

现在我用/OneByteIdentityH修复了问题，类似于双字节unicode映射/Identity-H的代码。该补丁位于PR #179

Answer 2

问题是pdfminer无法理解您在此PDF中使用的CMap。

如果您在STRICT=1中执行pdfminer切换psparser.py的自定义构建，则会收到类似这样的错误：

pdfminer.psparser.PSTypeError: Literal required: <PDFStream(21): raw=267, {u'Filter': /'FlateDecode', u'CMapName': /u'OneByteIdentityH', u'Type': /u'CMap', u'CIDSystemInfo': <PDFObjRef:20>, u'Length': 266}>

我对代码并不十分熟悉，但即使允许这样做也无济于事，因为它无法识别映射（即使我将名称硬编码为{{1}并要求它看起来那样）。最终结果是CMap不包含映射，因此它将PDF中的每个字符转换为空字符串（如果我挑剔的话，那么OneByteIdentityH就好了。）

修复可能是为这个CMap创建一个映射，它只返回传递的字符，类似于None中已实现的其他Identity映射

PDFminer空输出

2 个答案: