我正在尝试使用 pyPdf 从多页 PDF 中提取和打印页面。问题是，没有从某些页面中提取文本。我在这里放了一个示例文件：
http://www.4shared.com/document/kmJF67E4/forms.html
如果您运行以下命令，前 81 个页面不会返回任何文本，而最后 11 个页面会正确提取。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()
【问题讨论】：
请注意，extractText() 仍然无法正确提取文本。来自extractText() 的文档：
这适用于某些 PDF 文件， 但对其他人来说很糟糕，取决于 使用的发电机。这将成为;这将是 日后细化。不要依赖 由此产生的文本顺序 功能，因为它会改变，如果这 功能更加复杂。
既然是你想要的文字，你可以使用Linux命令pdftotext。
要使用 Python 调用它，您可以这样做：
>>> import subprocess
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output'])
文本从forms.pdf 中提取并保存到output。
这适用于您的 PDF 文件并提取您想要的文本。
【讨论】：
您也可以尝试pdfminer 库（也在python 中），看看它是否更擅长提取文本。但是，对于拆分，您必须坚持使用 pyPdf，因为 pdfminer 不支持。
【讨论】：
我发现有时将其转换为 ps（尝试使用 pdf2ps 和 pdftops 以了解潜在差异）然后再转换回 pdf (ps2pdf) 很有用。然后再次尝试您的原始脚本。
【讨论】：
这不是一个真正的答案，但 pyPdf 的问题在于：它还不支持 CMaps。 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，可能正在使用 CMap，有时甚至在没有非 ASCII 字符的情况下。当 pyPdf 遇到不是标准 Unicode 编码的字符串时，它只会看到一堆字节码；它无法将这些字节转换为 Unicode，因此它只会为您提供空字符串。我实际上遇到了同样的问题，目前我正在处理源代码。这很耗时，但我希望在 2011 年年中左右的某个时间向维护者发送补丁。
【讨论】：
我在某些 pdf 文件和 Windows 上遇到了类似的问题，这对我来说非常有用：
1.- 下载windows的Xpdf工具
2.- 将 pdftotext.exe 从 xpdf-tools-win-4.00\bin32 复制到 C:\Windows\System32 和 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)
【讨论】：
我开始认为我应该采用混乱的两部分解决方案。 PDF 有两个部分，pp 1-82 有文本页面标签（pdftotext 可以提取），pp 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，但我看不出有什么办法。遗憾的是，我不得不在 Windows 机器上执行此操作。
【讨论】：