pdfminer pdf2text 输出'FF'

Question

我有一个 pdf。在我的win 10、python 3.6环境下安装pdfminer.six后，我跑了：

$ pdf2txt.py -o test1 download.pdf

给我截图输出。当我跑步时：

$ dumppdf.py -o test2 download.pdf

我明白了：

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="47" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">+&#13;N&#158;&#213;&#233;&#197;&#176;&#8;&#207;&#15;&#60;&#133;M&#140;&#4;</string>
<string size="16">&#34;&#179;&#255;&#28;&#221;&#234;&#177;&#39;&#166;&#133;&#15;&#214;&#237;&#25;&#196;&#205;</string>
</list></value>
<key>Root</key>
<value><ref id="46" /></value>
<key>Size</key>
<value><number>48</number></value>
</dict>
</trailer>

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="47" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">+&#13;N&#158;&#213;&#233;&#197;&#176;&#8;&#207;&#15;&#60;&#133;M&#140;&#4;</string>
<string size="16">&#34;&#179;&#255;&#28;&#221;&#234;&#177;&#39;&#166;&#133;&#15;&#214;&#237;&#25;&#196;&#205;</string>
</list></value>
<key>Root</key>
<value><ref id="46" /></value>
<key>Size</key>
<value><number>48</number></value>
</dict>
</trailer>

接下来我该怎么做？我怎样才能让它工作？

Answer 1

pdfminer 无法从相关文档中提取任何可用文本的原因是该文档不包含文本！

更准确地说，Worksheet PDF 不包含文本绘制说明，仅包含图形绘制说明（其结果看起来像文本）。另一方面，PDF 文本提取器（如 pdfminer）仅检查 文本绘制指令，因此它们不会返回任何内容。

因此，要从此类文档中挖掘数据，最好使用 OCR 而不是文本提取。

---

在你问的评论中

你怎么知道只包含图形说明？你用什么工具？

您需要一个 PDF 浏览器应用程序和一些 PDF 内部知识。

作为 PDF 浏览器，我通常使用iText RUPS 或PDFBox PDF Debugger。但也有其他不错的浏览器，例如Adobe Preflight 中包含一个。

使用这样的 PDF 浏览器，您可以检查 PDF 的内容流，其中包含绘制页面的说明。在您的情况下，这些内容流不包含任何文本绘制指令，仅包含图形绘制指令。

PDF 内部知识可以通过研究 PDF 规范 ISO 32000-2（旧的前驱规范 ISO 32000-1 也是一个很好的起点，如果手头没有新规范）并分析许多真实的-word PDFs。