如何使用 Python 3 和 PyPDF2 将 unicode 编码的 PDF 文件转换为文本答案

【问题标题】：How to convert PDF files encoded in unicode into text using Python 3 and PyPDF2如何使用 Python 3 和 PyPDF2 将 unicode 编码的 PDF 文件转换为文本
【发布时间】：2018-12-17 15:23:27
【问题描述】：

我正在尝试使用 Python 3 和 PyPDF2 库将 PDF 转换为文本文件。但是 PDF 主要是用韩语编写的，所以在处理 PDF 文本之前，它似乎是用“utf-8”编码的。但是，使用“打开”功能或使用“编解码器”功能读取 PDF 文件似乎根本无法正确提取“utf-8”编码文本。你有什么想法可以使用 Python 3 和任何其他相关的 Python 库从 PDF 文件中提取文本吗？提前致谢！

（您可以通过http://dart.fss.or.kr/pdf/download/pdf.do?rcp_no=20180402005019&dcm_no=6060273下载示例文件）

import PyPDF2
import codecs 

pdf_file = open('6060273.pdf','rb')
#pdf_file = codecs.open('6060273.pdf', 'rb', encoding='utf-8')

read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(20)
page_content = page.extractText()
print(page_content.encode('utf-8'))

【问题讨论】：

标签： python pdf text data-conversion

【解决方案1】：

在我看来，您的问题与您机器上安装的字体源相当相关。 PyPDF 附带的基本包没有预先包含整个 UTF8 世界，因为包含所有选项的库可能会增加它的大小。但是您可以在目录中安装必要的字体。

【讨论】：