【发布时间】：2018-03-23 23:15:42
【问题描述】：
我正在使用 Python 做一个项目，该项目涉及从许多 PDF 文档中提取文本，有趣的是，我遇到了一个无法被这些项目中的任何一个解析的文档：
https://github.com/euske/pdfminer/
https://github.com/deanmalmgren/textract
确实，即使是命令行工具pdftotext 也无法从文档中提取文本。它首先打印文本，然后在提取大约 2 分钟后继续打印垃圾。
我对以下两种解决方案之一感兴趣：
- 如何实现在 Python 中从该文档中提取文本的目标？
- 一般而言，我如何才能检测到这样的文档，从而避免尝试完全解析它们？
这些解决方案中的任何一个都是理想的，所以提前致谢！
【问题讨论】：
标签： python pdf text extraction pdf-scraping