PyPDF2提取空文本：Python3

Question

我正在使用PyPDF2从pdf提取文本。我在Google中找到的所有示例都与我的代码类似：

import PyPDF2

    pl = open('test2.pdf', 'rb')
    plread = PyPDF2.PdfFileReader(pl)
    getpage1 = plread.getPage(0)
    text1 = getpage1.extractText()
    print(text1.encode('utf-8'))

但是，我的控制台中有空文本：

  

b''

我已针对不同的pdf测试过此代码，并且所有pdf均为空

UPD：

# getDocumentInfo
{'/Producer': 'Skia/PDF m75'}

文件pdf

Answer 1

似乎某些字体/文本组合使PyPDF2，PyPDF3或PyPDF4无法读取文本。

要从这些PDF中提取文本，可以使用专用的PDF文本提取包pdfminer.six。

from pdfminer import high_level

local_pdf_filename = "/path/to/pdf/you_want_to_extract_text_from.pdf"
pages = [0] # just the first page

extracted_text = high_level.extract_text(local_pdf_filename, "", pages)
print(extracted_text)

它适用于所有对我而言失败的pdf，并且可以非常快速地实现为备用。完整的docs for the extract_text功能是here。