Question

我有5个pdf文件，我想将其转换为txt文件。 3个文件工作正常。其他2个仅返回（CID：number），例如：

（cid：47）（cid：57）（cid：3）（cid：69）（cid：72）

我用pdfminer编写了代码。有谁知道如何解决此问题或调整我的代码？

顺便说一句：文本是德语的，没有CJK，我尝试将文件https://www.pdf2go.com上的文件转换成文本，并且可以正常工作。

这是我的代码：

import sys
import io
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter

# importieren Modul regex
import re
import os

filename = 'test.pdf'

page_start_input = 24
pages = list(range((page_start_input-1),500))

def pdfparser(data):
    fp = open(data, 'rb')
    resource_manager = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    pagenos = set(pages)
    laparams = LAParams()
    device = TextConverter(resource_manager, retstr, codec=codec, laparams=laparams)
    interpreter = PDFPageInterpreter(resource_manager, device)


    for page in PDFPage.get_pages(fp, pagenos):
        interpreter.process_page(page)
        data = retstr.getvalue()
    # print (data)

    file = open("test_out.txt", "w", encoding='utf-8')
    file.write(data)
    file.close()



pdfparser(filename)

Python-pdf至txt仅返回（CID：number）

0 个答案: