Question

我是PDFminer的新手。我注意到使用PDFminer get_text（）命令时，某些符号/标点符号未以文字形式输出。例如，“-”表示为“ \ xe2 \ x80 \ x93”，单引号'表示为“ \ xe2 \ x80 \ x99”。这是我使用的命令：

print（LTTextLine.get_text（）。encode（'UTF-8'））

有人可以帮助我理解如何阅读这些内容，并将其转换回原义吗？

谢谢。

Answer 1

您不喜欢的十六进制转义符不是连字符（ASCII 39）和单引号（ASCII 45）。他们是印刷连字符（又名EN-破折号）–（统一2010）和右单（“智能”）引号’（统一2019）。它们被编码为UTF-8。如果你想将它们解码，处理包含它们的字符串作为字节，而不是字符串（注意b前缀）：

>>> mystring = b"This is an en\xe2\x80\x93dash and this - isn\xe2\x80\x99t"
>>> mystring.decode('UTF8')
'This is an en–dash and this - isn’t'

如果Python中认为该数据已经是一个字符串，如下面，没有b前缀，那么你需要说服它，它真是个字节，结果解码：

>>> mystring = "This is an en\xe2\x80\x93dash and this - isn\xe2\x80\x99t"
>>> bytes(mystring.encode("latin-1")).decode("UTF-8")
'This is an en–dash and this - isn’t'

在字体，SO使用没有ASCII 39和2010之间的Unicode多明显不同但在一般的印刷连字符较短，更厚和更接近基线比ASCII连字符。其他两个之间的区别是相当明确的 isn’t'。这是常见的，找到的Unicode在.pdf文件变种，因为他们要印刷。该ASCII变体，才适合在程序代码中，老打字机的仿真;而不是印刷书籍和杂志。

如何解码LTTextLine.get_text（）的输出？

1 个答案: