Python PyPdf 2：对于某些pdf返回空结果

Question

嗨，我有一些pdf文件，需要将其文本信息提取出来。我在下面使用了以下代码：

pdfFileObj = open('abc.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)
pageObj.extractText()

但是我得到的是一个特殊的pdf文件：

'\ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n \ n'

但是此代码适用于我拥有的某些pdf。可能是什么问题呢？ 谢谢 。

Answer 1

有时Py2PDF不会提取文本。发生这种情况时，我使用的解决方案是将pdf转换为jpeg并使用图像ocr（带有cv2的tesseract）获取文本。您可以尝试使用的另一个库是slate（或python3的slate3k）-尽管它并不是真正稳定的，所以您在安装和运行它时可能会遇到一些问题。我最终确实使它能够工作，并且当Py2PDF失败时，我能够提取文本。

Slate

在输入tesseract之前，我用来清理JPEG文件的好代码-提高了文本输出的准确性。还有关于如何在JPEG中读取以进行tesseract的代码：Here

如果您使用的是Mac OSX，则可以将os.system命令与sip一起使用，以将pdf转换为jpeg。