【发布时间】：2013-05-13 13:50:43
【问题描述】：
所以我正在尝试从 pdf 文件中提取文本，我需要它的位置、宽度、高度、字体。
我尝试了很多，但最有用和最完整的解决方案看起来是PDFMiner，在这种情况下，更确切地说是pdf2txt.py。
我已按照文档和示例进行操作，并尝试使用以下命令从我的 pdf 中提取文本 Learn More：
pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf
而输出buttons.xml 看起来像这样：
<?xml version="1.0" encoding="utf-8" ?>
<pages>
<page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
<textbox id="0" bbox="164.979,213.240,247.680,235.944">
<textline bbox="164.979,213.240,247.680,235.944">
<text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
<text></text>
</textline>
</textbox>
<textgroup bbox="164.979,213.240,419.659,235.944">
<textbox id="0" bbox="164.979,213.240,247.680,235.944" />
</textgroup>
</page>
</pages>
第一个字符应该是 L 和 51 (cid:51) 似乎与我句子中的任何字符都不匹配，关于 ascii table 和 utf-8 table
所以正如标题所说，我想知道它是什么，以及如何使用这些(cid:51)...？
编辑
所以我发现程序写入的不是真正的字符 (cid:%d)，因为他不承认这是一个 unicode 字符串。
它首先调用这个函数来写字符：
def render_char(self, matrix, font, fontsize, scaling, rise, cid):
try:
text = font.to_unichr(cid)
assert isinstance(text, unicode), text
except PDFUnicodeNotDefined:
text = self.handle_undefined_char(font, cid)
但是assert 失败并触发事件PDFUnicodeNotDefined 被捕获并调用：
def handle_undefined_char(self, font, cid):
if self.debug:
print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
return '(cid:%d)' % cid
这就是我以包含所有这些 (cid:%d) 的文件结尾的方式。
我对 python 还很陌生，我试图找出一种方法来识别这些字符，它应该是一个不？有人知道吗？
【问题讨论】：
-
我在 github repo 上发布了an issue，但仍然没有答案...
-
这是我创建的useful GitHub repo，用于轻松从 pdf ans psd 文件中提取内容（图像和文本转换为 json）
-
但是我的问题仍然没有解决。
-
只是想知道this cid table is useful。
标签： python xml pdf-parsing