【发布时间】：2020-02-24 13:06:57
【问题描述】：
我正在编写一个脚本，该脚本将从大型 PDF 文件（40-60 多页，多页）中提取数据
不是英文，但该文件包含 希腊字符，在我运行 PyPDF2 的 extractText() 函数以获取给定页面内容，然后返回一个空字符串。
我是这个库的新手，我不知道该怎么做才能解决这个问题！！
【问题讨论】：
标签： python python-3.x pdf web-scraping pypdf2
【发布时间】：2020-02-24 13:06:57
【问题描述】：
PyPDF2 的“提取文本”看起来要么可以正常工作，要么完全失败。没有可以传递的参数来尝试使事情正常工作。它会起作用，或者不会。
您可能无法解决此问题。如果您可以在 Acrobat/Reader 中成功复制/粘贴文本，则可以提取文本。那么当您尝试从 Reader 中复制/粘贴时会发生什么？不要尝试使用其他第三方 PDF 查看器，请使用 Adobe 软件。您可能不得不放弃 PyPDF2 并转向其他一些 PDF API，但如果 Reader 可以做到，这是一个可以解决的问题。
PDF 中有三种不同的东西，在人眼看来就像字母。
- PDF 中的某些文本编码中的字母。有几种固定编码，加上 PDF 允许您嵌入自己的自定义编码（通常与字体子集一起使用）。软件可以创建看起来不错但实际上无法复制/粘贴的 PDF，即使是 Adobe。
- 恰好看起来很像字母的路径艺术。 “从这里开始画一条线，到那里画一条直线，然后到那里画一条这样的曲线”等等。如果你很好奇，PDF 使用Bezier curves 来定义它的曲线。与您的问题不太相关，但很有趣。
- 定义像素网格的位图（.jpeg/gif/etc 图像）。
过去，Reader 只能处理上面的文本类型 1，而且只有在文本编码正确的情况下。损坏的自定义编码非常普遍（或者是 7 多年前我停止使用 PDF 软件时）。
使用损坏的类型 1 以及所有类型 2 和 3，您唯一能做的就是在 PDF 上运行 OCR。 OCR：光学字符识别。有几个开源 OCR 项目，以及商业项目。
【讨论】：
-
非常感谢您的回答，有趣的东西。我没有在 Adobe Software 中尝试过这样做，但是一旦我这样做了，我会告诉你我是否可以从文件中复制/粘贴文本。
-
我能够从原始 PDF 文件以及我用于测试的测试/虚拟 PDF 文件中复制和粘贴文本。在这两种情况下，我都能在 Linux 机器上使用 Adobe Reader 9（版本 9.5.5 04/26/2013）和在 Windows 10 机器上使用 Adobe Acrobat Reader DC（版本 2020.006.20034）。所以我很想知道问题是什么。
-
更新 看起来问题出在希腊字符上，只要我编辑了测试/虚拟 PDF 文件以包含一些英文字符，然后搜索该关键字就可以了很好，在我的调试打印语句中没有出现希腊字符，我放置到位以查看尝试提取的数据，只显示英文中的关键字。
-
听起来 PyPDF2.extractText() 不支持某些编码类型，并且您的文件使用其中一种（或多种）。如果你真的想知道那里发生了什么，你需要
print(page.getContents())，下载一份 PDFSpec（谷歌“PDF Spec”），并查看第 9.10 章“文本内容的提取”跨度> -
好的，非常感谢您的帮助。我将采用 OCR 方法，因为我已经开始实施了！任何关于一个好的图书馆的建议都会很好。在一些帮助下，我找到了 pytesseract 库并开始使用它！！！