我正在尝试通过 url 阅读 pdf。我遵循了许多 stackoverflow 建议并使用 PyPdf2 FileReader 从 pdf 中提取文本。 我的代码如下所示:
url = "http://kat.kar.nic.in:8080/uploadedFiles/C_13052015_ch1_l1.pdf"
#url = "http://kat.kar.nic.in:8080/uploadedFiles/C_06052015_ch1_l1.pdf"
f = urlopen(Request(url)).read()
fileInput = StringIO(f)
pdf = PyPDF2.PdfFileReader(fileInput)
print pdf.getNumPages()
print pdf.getDocumentInfo()
print pdf.getPage(1).extractText()
我能够成功提取第一个链接的文本。但如果我对第二个 pdf 使用相同的程序。我没有收到任何文字。页码和文档信息似乎显示出来了。
我尝试通过终端从 Pdfminer 中提取文本，并且能够从第二个 pdf 中提取文本。
知道 pdf 有什么问题或者我正在使用的库有缺陷吗？
最佳答案
如果您阅读 pyPDF 文档中的注释，您会发现该功能不适用于某些 PDF 文件；换句话说，您正在考虑库的限制。
查看这两个 PDF 文件，我看不出文件本身有什么问题。但是...
第一个文件包含完全嵌入的字体 第二个文件包含子集字体
这意味着从第二个文件中提取文本更加困难，并且库可能无法正确支持。仅供引用，我使用 callas pdfToolbox 进行了文本提取(注意，我隶属于此工具)，它使用 Acrobat 文本提取，并且两个文件的文本均已正确提取(确认问题不是 PDF 文件) .
关于python - PyPDF2==1.26.0 文本提取不适用于某些 pdf，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/30272269/