Question

我正在尝试为自己的pdf文件制作原始的搜寻器。为此，我使用Pypdf提取数据（客户，产品，金额等）并使用该数据。

现在，我有了代码，它很简单，但是当我尝试从Google随机提取一些PDF时，它似乎无法从PDF中提取任何内容，并且可以正常工作。我尝试了多个文档，pdf，不起作用，从互联网上随机提取pdf。

我使用Spyder。

以下是我正在使用的代码：

import PyPDF2 as p2

PDFfile=open("pdf_barrierefrei.pdf","rb") # Random PFD off the Internet
pdfread = p2.PdfFileReader(PDFfile)

x = pdfread.getPage(0)
print(x.extractText())
PDFfile.close

PDFfile=open("2.pdf","rb")
pdfread = p2.PdfFileReader(PDFfile) # My PDF

y = pdfread.getPage(0)
print(y.extractText())
PDFfile.close

“我的期望”输出是一串混搭的数据，这些数据是我的PDF的一部分，例如客户，我的姓名，日期等，然后我对其进行排序和清除。

实际结果是：

“ [b'\ n'，b'endobj \ n'，b'11 0 obj \ n'，b'<< \ n'，b'/长度1011 \ n'， b'>> \ n'，b'stream \ n'，b'/ CIDInit / ProcSet findresource开始12 dict 开始begincmap / CIDSystemInfo << /注册表（Adobe）/订购（UCS） /补充0 >> def / CMapName / Adobe-Identity-UCS def / CMapType 2 def 1 begincodespacerange <0000> endcodespacerange 49 beginbfchar <0003> <0020> <0004> <0041> <0011> <0042> <0012> <0043> <001C> <0045> <0026> <0046> <0027> <0047> <002C> <0048> <002F> <0049> <003E> <004C> <0045> <004E> <004B> <004F> <0057> <0050> <005A> <0052> <005E> <0053> <0064> <0054> <0068> <0055> <0073> <0056> <0102> <0061> <010F> <0062> <0110> <0063> <011A> <0064> <011E> <0065> <0128> <0066> <0150> <0067> <015A> <0068> <015D> <0069> <016C> <006B> <0175> <006D> <0176> <006E> <017D> <006F> <018C> <0072> <0190> <0073> <019A> <0074> <01B5> <0075> <0355> <002C> <0357> <003A> <0358> <002E> <036C> <002F> <0372> <002D> <03A6> <20AC> <03EC> <0030> <03ED> <0031> <03EE> <0032> <03F0> <0034> <03F1> <0035> <03F2> <0036> <03F3> <0037> <03F5> <0039> endbfchar endcmap CMapName currentdict / CMap defineresource pop end end \ n'， b'endstream \ n'，b'endobj \ n'，b'10 0 obj \ n'，b'[3 3 226 4 4 605 17 17 560 18 18 529 28 28 487 38 38 458 39 39 637 44 44 630 47 47 266 62 62 422 69 69 658 75 75 676 87 87 532 90 90 562 94 94 472 100100 495 104 104 652 115 115 591 258 258 493 271 271 536 272 272 418 282 282 536 286286503296296296316336336474346346536536349349245364364 479 373 373 813 374 374 536 381 381 381 537 396 396 355 400 400 398 410 410346437437536536853853257855855275856856856267876876429 882 882 306 934 934 506 1004 1004 506 1005 1005 506 1006 1006 506 1008 1008 506 1009 1009 506 1010 1010 506 1011 1011 506 1013 1013 506] \ n'， b'endobj \ n'，b'7 0 obj \ n'，b'[-813 -268 813 952] \ n'，b'endobj \ n'， b'8 0 obj \ n'，b'813 \ n'，b'endobj \ n'，b'19 0 obj \ n'，b'<< \ n'，b'/长度 1207 \ n'，b'>> \ n'，b'stream \ n'，b'/ CIDInit / ProcSet findresource开始 12 dict begin begincmap / CIDSystemInfo << /注册表（Adobe）/订购（UCS）/补充0 >> def / CMapName / Adobe-Identity-UCS def / CMapType 2 def 1 begincodespacerange <0000> endcodespacerange 63 beginbfchar <0003> <0020> <0004> <0041> <0011> <0042> <0012> <0043> <0018> <0044> <0026> <0046> <0027> <0047> <002C> <0048> <002F> <0049> <003C> <004B> <003E> <004C> <0044> <004D> <0045> <004E> <004B> <004F> <0057> <0050> <005A> <0052> <005E> <0053> <0064> <0054> <0068> <0055> <0073> <0056> <0074> <0057> <007F> <005A> <0102> <0061> <010F> <0062> <0110> <0063> <011A> <0064> <011E> <0065> <0128> <0066> <0150> <0067> <015A> <0068> <015D> <0069> <016C> <006B> <016F> <006C> <0175> <006D> <0176> <006E> <017D> <006F> <0189> <0070> <018C> <0072> <0190> <0073> <0198> <00DF> <019A> <0074> <01B5> <0075> <01C0> <0076> <01C1> <0077> <01CC> <007A> <0355> <002C> <0358> <002E> <036C> <002F> <0372> <002D> <039B> <0040> <03A6> <20AC> <03EC> <0030> <03ED> <0031> <03EE> <0032> <03EF> <0033> <03F0> <0034> <03F1> <0035> <03F2> <0036> <03F3> <0037> <03F4> <0038> <03F5> <0039> <0439> <0025> <043D> <002B> endbfchar endcmap CMapName currentdict / CMap defineresource pop end end \ n'， b'endstream \ n'，b'endobj \ n'，b'18 0 obj \ n'，b'[3 3 226 4 4 578 17 17 543 18 18 533 24 24 615 38 38 459 39 39 630 44 44 623 47 47 251 60 60 519 62 62 420 68 68 854 69 69 645 75 75 662 87 87 516 90 90 542 94 94 459 100100 487 104 104 641 115 115 567 116 116 889 127 127 468 258 258479271271525525272272422282282525286286286296296296305 336 336 470 346 346 525 349 349 229 364 364 454 367 367 229 373 373 798374374374525381381527393393393525396396348400400391408 408527410410410334437437525448448451449449449714460460395 853853249249856856252876876386882882306923923894934934 506 1004 1004 506 1005 1005 506 1006 1006 506 1007 1007 506 1008 1008 506 1009 1009 506 1010 1010 506 1011 1011 506 1012 1012 506 1013 1013 506 1081 1081 714 1085 1085 498] \ n'，b'endobj \ n'，b'15 0 obj \ n'，b'[ -894 -268 894952] \ n'，b'endobj \ n'，b'16 0 obj \ n'，b'894 \ n'，b'endobj \ n'，b'2 0 obj \ n'， b'<< \ n'，b'/ Count 1 \ n'，b'/ Kids [3 0 R ] \ n'，b'/类型/ Pages \ n'，b'>> \ n'，b'endobj \ n'，b'1 0 obj \ n'，b'<< \ n'， b'/ Pages 2 0 R \ n'，b'/ Type / Catalog \ n'，b'>> \ n'，b'endobj \ n'，b'23 0 obj \ n'，b'<< \ n'，b'/作者（Schicki）\ n'，b“ / CreationDate （D：20190913102353 + 02'00'）\ n“，b” / ModDate（D：20190913102353 + 02'00'）\ n“， b'/生产者（Microsoft：打印到PDF）\ n'，b'/标题（产品列表） Schickmaier Excel.xlsx）\ n'，b'>> \ n'，b'endobj \ n'，b'xref \ n'，b'0 24 \ r \ n'，b'0000000000 65535 f \ r \ n'，b'0000585703 00000 n \ r \ n'， b'0000585644 00000 n \ r \ n'，b'0000581675 00000 n \ r \ n'，b'0000000009 00000 n \ r \ n'，b'0000148586 00000 n \ r \ n'，b'0000148612 00000 n \ r \ n'， b'0000583508 00000 n \ r \ n'，b'0000583545 00000 n \ r \ n'，b'0000148635 00000 n \ r \ n'，b'0000582918 00000 n \ r \ n'，b'0000581854 00000 n \ r \ n'， b'0000355352 00000 n \ r \ n'，b'0000355825 00000 n \ r \ n'，b'0000355852 00000 n \ r \ n'，b'0000585586 00000 n \ r \ n'，b'0000585624 00000 n \ r \ n'， b'0000355876 00000 n \ r \ n'，b'0000584824 00000 n \ r \ n'，b'0000583564 00000 n \ r \ n'，b'0000577725 00000 n \ r \ n'，b'0000578203 00000 n \ r \ n'， b'0000581590 00000 n \ r \ n'，b'0000585752 00000 n \ r \ n'，b'trailer \ n'， b'<< \ n'，b'/ Info 23 0 R \ n'，b'/ Root 1 0 R \ n'，b'/ Size 24 \ n'，b'>> \ n'， b'startxref \ n'，b'585949 \ n'，b'%% EOF \ n'] “

或者什么都不是的半页，只有“在[40]中：”，然后是20句话，什么都没有，没有错误或任何东西

输出来自随机Pdf：

“ Aktion Mensch e.V. Fachartikel -PDF-Dokume ....

16.10.03 Autor：Roland Heuwinkel 17. Oktober 2003 Seite 1 von 24 “

这只是一些随意的笔迹，不在乎内容，只是在乎它会给我一些文字。

我真的是编码新手，我也不知道从哪里开始，因为它们都是PDF。我只是想知道是否是因为我使用“打印到PDF”来创建它们？

Answer 1

对于pdf_barrierefrei.pdf，看起来像文本结果已转换为Unicode格式。顺便说一句，我使用的是jupyther笔记本而不是spyder，所以我得到了正确的结果。

对于2.pdf，pdf具有图像徽标和表格。安装tika（pip install tika），然后使用下面的代码将非图像读取为文本。

from tika import parser
raw = parser.from_file('2.pdf')
print(raw['content'])

结果：

Schickmaier产品Excel.xlsx

LIEFERSCHEIN

客户群地址Adresse地址

地址数据数据

K / DB-Nr。 211联系人

Preis / N M Gesamtpreis

Bio Erdbeer-Chilischokolade 3,05€20 61,09€
Bio Beuscherl 5,23€6 31,36€
Bio ChiliconCarne 5,98€15 89,77€
Bio Geschnetzeltes 5,23€15 78,41€

Versand Brutto Versand Netto-€

Warenwert净价10％260,64€
Umsatzsteuer 10％26,06€

RECHNUNGSBETRAG BRUTTO 286,70€
Seite 1/1

2019 /

数据

Pypdf从一个PDF提取代码，而不从另一个PDF提取代码吗？

1 个答案: