python - 无法使用 PyPDF2 从 PDF 文件中获取文本

Question

我正在尝试从使用 PyPDF 下载的 PDF 文件中获取文本。 这是我的代码:

if not PyPDF2.PdfFileReader('download.pdf').isEncrypted:
    PyPDF2.PdfFileReader('download.pdf').getPage(0).extractText()

这是输出:

'\n\n˘ˇ˘ˆ˙\n˝˛˚˜!\n\n\n\n#\nˇ˘ˆ˙ˆ˝˛˝\n˙˙˘ ˘ˆ"˝\n$!%˙(˝)˙*˜+,˝-.#/.(#0)0)/.1.+02345.\n˛˛ˇ/#.$/0/70/#.+322.32˙˘˛˘˘\n˛˘ 8˙˘9:˘ˆ;\n˛˘\n\n˝=\n˙˘˛\n.ˇ<9:˘ˇˇ%˘˛ˇ ˘˘<˘\n˝>"?˝˘$@<˘*ˆˆ˘˙˘A˘B˘˙˘˛ˇ!˛˘˙˘˛ˇ˘\n1C˙ˆ˘06˛˘8+˛9:˘D10+E˝ˆ˘8\n$˘˘9:˘˘1C˙ˆ˘+˘F˛˘D$1+FE˝˘˛˘˘<˘?˝\n////)*˘1˘˛ ?GG˜*HI\nD˘˙A˘E\nJ$\n˛\nDLE///M˛˝˛˙˘˛˘˛\n˛˘˛>"?\n˙˘˛\n˛\n/)M6;˝˛˙˘˛˘\n˛\n///˛\n\n'

当我打开文件时，它的内容没有问题。此外，当我使用另一个程序将 pdf 转换为 txt 时，它工作正常。它是网页上的 javascript 呈现的 pdf，不知道它是否有任何区别。

Answer 1

在 Win 7、Python 3.6 下，我遇到了 PyPDF2 没有正确编码某些 PDF 文件的问题。我的解决方案是使用 pdfminer.six。

pip install pdfminer.six

要从 PDF 中提取文本，您可以使用本文中的函数:https://stackoverflow.com/a/42154976/9524424

非常适合我...