pyPdf 无法从我的 PDF 中的某些页面提取文本

Question

我正在尝试使用 pyPdf 从多页 PDF 中提取并打印页面。问题是，某些页面没有提取文本。

如果运行以下命令，前 81 页不会返回任何文本，而最后 11 页会正确提取。有人可以帮忙吗？

from pyPdf import PdfFileReader  
input = PdfFileReader(file("forms.pdf", "rb"))  
for page in input1.pages:  
    print page.extractText()  

Answer 1

请注意，extractText() 在正确提取文本方面仍然存在问题。来自 extractText() 的文档：

这对于某些 PDF 文件效果很好，
但对其他人来说很糟糕，取决于
使用的发电机。这将是
未来将进一步完善。不要依赖
文本的顺序
函数，因为如果这个它会改变
功能更加完善。

既然是你想要的文本，你可以使用Linux命令pdftotext。

要使用 Python 调用它，您可以执行以下操作：

>>> import subprocess
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output'])

从 forms.pdf 中提取文本并将其保存到 output。

这适用于您的 PDF 文件并提取您想要的文本。

Answer 2

您还可以尝试 pdfminer 库（也在 python 中），并且看看它是否能更好地提取文本。然而，对于分割，您必须坚持使用 pyPdf，因为 pdfminer 不支持它。

Answer 3

这并不是真正的答案，但 pyPdf 的问题是：它还不支持 CMap。 PDF 允许字体使用 CMap 将字符 ID（PDF 中的字节）映射到 Unicode 字符代码。当您的 PDF 包含非 ASCII 字符时，可能会使用 CMap，甚至有时在没有非 ASCII 字符时也是如此。当pyPdf遇到非标准Unicode编码的字符串时，它只是看到一堆字节码；它无法将这些字节转换为 Unicode，因此它只提供空字符串。实际上我也遇到了同样的问题，目前我正在研究源代码。这很耗时，但我希望在 2011 年中期左右的某个时间向维护者发送补丁。

Answer 4

我发现有时将其转换为 ps 很有用（尝试使用 pdf2ps 和 pdftops 来了解潜在的差异），然后再转换回 pdf（<代码>ps2pdf）。然后再次尝试原来的脚本。

Answer 5

我对某些 pdf 和 Windows 也有类似的问题，这对我来说非常有用：

1.- 下载适用于 Windows 的 Xpdf 工具

2.- 将 pdftotext.exe 从 xpdf-tools-win-4.00\bin32 复制到 C:\Windows\System32以及 C:\Windows\SysWOW64

3.- 使用子进程从控制台运行命令：

import subprocess

try:
    extInfo = subprocess.check_output('pdftotext.exe '+filePath + ' -',shell=True,stderr=subprocess.STDOUT).strip()
except Exception as e:
    print (e) 

Answer 6

我开始认为我应该采用一个混乱的两部分解决方案。 PDF 有两个部分，第 1-82 页有文本页面标签（pdftotext 可以提取），第 83-end 没有页面标签，但 pyPDF 可以提取并且它明确知道页面。

我想我需要将两者结合起来。笨重，但我看不到任何解决办法。遗憾的是我必须在 Windows 机器上执行此操作。