Question

我必须从pdf文件中提取文本。为此，我正在使用python 2.7.7 PyPDF2是我用来提取文本的库。但是有些单词是串联在一起的，因此“ list_of_words”列表中的单词数量较少。另外，我认为由于此r2列表为空。我应该怎么做才能使此列表r2列表不为空？以下是处理它的代码部分：

filename ='FICC_Rpt_Click_Arrow_Save_as_PDF_thru_Browser.pdf'

pdfFileObj = open(filename,'rb') 

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

num_pages = pdfReader.numPages

count = 0

text = ""

while count < num_pages: 

    pageObj = pdfReader.getPage(count)

    count +=1

    if(count>=1):
        text += pageObj.extractText()

if text != "":

    text = text

    print("s")

text = text.encode('ascii','ignore').lower()


r2=[]

r3=[]

r4=[]

r5=[]

sett_price=[]

nr_long=[]

nr_short=[]

nr_debit=[]

nr_credit=[]

cusip=[]

list_of_words = text.split()

indices = [i for i, x in enumerate(list_of_words) if(x == "net")]

print(indices)

for i in indices:

    if (list_of_words[i+5]=="net"):

        r2.append(list_of_words[i+1])

        r3.append(list_of_words[i+2])

我希望列表r2充满数据，但实际上列表r2为空

在使用PyPDF2从pdf提取文本时，来自pdf的某些单词会串联在一起，因此它们不会单独打印

0 个答案: