PyPDF2 仅返回某些文件的空行

Posted 2023-04-17

【中文标题】PyPDF2 仅返回某些文件的空行

【英文标题】：PyPDF2 returns only empty lines for some files

【发布时间】：2018-01-04 03:12:27

【问题描述】：

我正在编写一个脚本来“读取”PDF 文件，然后自动重命名它从字典中识别的文件。然而，PyPDF2 只为某些 PDF 返回空行，而对其他 PDF 工作正常。文件读取代码：

import PyPDF2

# File name
file = 'sample.pdf'

# Open File
with open(file, "rb") as f:
    # Read in file
    pdfReader = PyPDF2.PdfFileReader(f)

    # Check number of pages
    number_of_pages = pdfReader.numPages
    print(number_of_pages)

    # Get first page
    pageObj = pdfReader.getPage(0)

    # Extract text from page 1
    text = pageObj.extractText()        

print(text)

它确实获得了正确的页数，因此它能够打开 PDF。

如果我将 print(text) 替换为 repr(text) 以获取它不读取的文件，我会得到类似：

"'\\n\\n\\n\\n\\n\\n\\n\\nn\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n'"

奇怪的是，当我使用 Adob​​e 增强 (OCR) 文件时，脚本的性能稍差。它识别了 800 个文件中的 140 个，仅增强了 110 个。

PDF 是机器可读/可搜索的，因为我可以将文本复制/粘贴到记事本。我用“pdfminer”测试了一些文件，它确实显示了一些文本，但也引发了很多错误。如果可能的话，我想继续使用 PyPDF2。

我使用的软件规格： 窗口：10.0.15063 Python：3.6.1 PyPDF：1.26.0 Adobe 版本：17.009.20058

有人有什么建议吗？非常感谢您的帮助！

【问题讨论】：

你的问题解决了吗？

不。这个问题只发生在我的文件的几个百分比上。从那以后我没有重新测试......

@Hoenie 你是如何解决你的问题的？我的意思是你用哪个库代替 pyPdf2

pdfminer，但是那个也没有正确阅读一些 PDF。两者结合让我走得很远......

【参考方案1】：

我遇到了同样的问题，我使用另一个名为 slate 的 python 库修复了它 幸运的是，我找到了一个在 Python 3.6.5 中工作的fork

import slate3k as slate

with open(file.pdf,'rb') as f:
    extracted_text = slate.PDF(f)
print(extracted_text)