PyPDF2 提取空白文本答案

【问题标题】：PyPDF2 extracts blank textPyPDF2 提取空白文本
【发布时间】：2021-05-05 09:24:00
【问题描述】：

我正在尝试从 PyPDF2 中提取文本，但它正在从 PDF 中提取空白文本。 PDF 是文本的，而不是基于图像的。有什么方法可以概括 pdf 以便提取文本？ Bcoz 我不想更改我的整个代码所依赖的库。否则，我将不得不重写整个 2000 多行代码。在此处查找 pdf：https://drive.google.com/file/d/1aoWtxNhOKwFw2xbBZgv3gzZPOvt5Ovhc/view?usp=sharing

import PyPDF2
pdf_file = open('sample.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()

【问题讨论】：

您可能希望分享相关的 pdf 文件，以便更轻松地为您提供帮助。
嗨，你可以在这里找到pdf drive.google.com/file/d/1aoWtxNhOKwFw2xbBZgv3gzZPOvt5Ovhc/…
对 PDF 的快速检查表明提取空白文本是错误的。您的 PDF 确实包含用于文本提取的信息。我还没有检查它是否完全正确，但是没有输出表明文本提取例程中有错误。
是的，你是对的。这是 PyPDF2 的错误。这不是我拥有数百个无法正常工作的 PDF 的唯一 PDF。也许 PyPDF2 库或其他东西可以接受特定类型的 PDF。

标签： python pdf pypdf2

【解决方案1】：

extractText() 仍然无法正确提取文本。您可以使用另一个名为 slate 的库：

安装石板：

pip install slate3k

提取文本：

with open('G10.pdf','rb') as f:
    extracted_text = slate.PDF(f)
print(extracted_text)

你也可以通过这个答案here。

【讨论】：

我不想更改库，整个 2500 多行代码都取决于它。