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，它的内容很好。此外，当我使用另一个程序将 pdf 转换为 txt 时，它工作正常。是网页上的javascript渲染的pdf，不知道有没有什么区别。

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...

Answer 2

以下内容摘自文档 (https://pythonhosted.org/PyPDF2/PageObject.html)

extractText() 按顺序定位所有文本绘制命令 在内容流中提供，并提取文本。这很好用 对于某些 PDF 文件，但对于其他文件则较差，具体取决于生成器 用过的。这将在未来进行完善。不要依赖顺序 来自这个函数的文本，因为如果这个函数它会改变 变得更加复杂。返回：一个 unicode 字符串对象。

所以，看来这个函数的性能取决于pdf本身。