pyPdf 无法从我的 PDF 中的某些页面中提取文本

Posted 2023-02-24

【中文标题】pyPdf 无法从我的 PDF 中的某些页面中提取文本

【英文标题】：pyPdf unable to extract text from some pages in my PDF

【发布时间】：2011-05-11 08:16:59

【问题描述】：

我正在尝试使用 pyPdf 从多页 PDF 中提取和打印页面。问题是，没有从某些页面中提取文本。我在这里放了一个示例文件：

http://www.4shared.com/document/kmJF67E4/forms.html

如果您运行以下命令，前 81 个页面不会返回任何文本，而最后 11 个页面会正确提取。有人可以帮忙吗？

from pyPdf import PdfFileReader  
input = PdfFileReader(file("forms.pdf", "rb"))  
for page in input1.pages:  
    print page.extractText()  

【参考方案1】：

请注意，extractText() 仍然无法正确提取文本。来自extractText() 的文档：

这适用于某些 PDF 文件， 但对其他人来说很糟糕，取决于 使用的发电机。这将成为;这将是 日后细化。不要依赖 由此产生的文本顺序 功能，因为它会改变，如果这 功能更加复杂。

既然是你想要的文字，你可以使用Linux命令pdftotext。

要使用 Python 调用它，您可以这样做：

>>> import subprocess
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output'])

文本从forms.pdf 中提取并保存到output。

这适用于您的 PDF 文件并提取您想要的文本。

【讨论】：

感谢您的帮助。我尝试过 pdftotext 并将其传递过去，因为它只能部分解决问题。我需要根据每页上的 UID 将 pdf 拆分为单独的文件。然而，pyPdf 可以提取的最后 10 个左右的页面没有文本页面标签，因此使用 pdftotext，虽然它给了我所有的文本，但并没有给我一种为给定的 UID 生成页面列表的方法.

这在输出 PDF 文本方面做得不错，但不会保留表格格式。

【参考方案2】：

您也可以尝试pdfminer 库（也在python 中），看看它是否更擅长提取文本。但是，对于拆分，您必须坚持使用 pyPdf，因为 pdfminer 不支持。

【讨论】：

我试过 pdfminer...后面的页面由于某种原因没有被正确提取。

【参考方案3】：

我发现有时将其转换为 ps（尝试使用 pdf2ps 和 pdftops 以了解潜在差异）然后再转换回 pdf (ps2pdf) 很有用。然后再次尝试您的原始脚本。

【讨论】：

我很有希望，但它似乎所做的只是使原始文件更大并减慢空文本的提取速度！

【参考方案4】：

这不是一个真正的答案，但 pyPdf 的问题在于：它还不支持 CMaps。 PDF 允许字体使用 CMap 将字符 ID（PDF 中的字节）映射到 Unicode 字符代码。当您的 PDF 包含非 ASCII 字符时，可能正在使用 CMap，有时甚至在没有非 ASCII 字符的情况下。当 pyPdf 遇到不是标准 Unicode 编码的字符串时，它只会看到一堆字节码；它无法将这些字节转换为 Unicode，因此它只会为您提供空字符串。我实际上遇到了同样的问题，目前我正在处理源代码。这很耗时，但我希望在 2011 年年中左右的某个时间向维护者发送补丁。

【参考方案5】：

我在某些 pdf 文件和 Windows 上遇到了类似的问题，这对我来说非常有用：

1.- 下载windows的Xpdf工具

2.- 将 pdftotext.exe 从 xpdf-tools-win-4.00\bin32 复制到 C:\Windows\System32 和 C:\Windows\SysWOW64

3.- 使用子进程从控制台运行命令：

import subprocess

try:
    extInfo = subprocess.check_output('pdftotext.exe '+filePath + ' -',shell=True,stderr=subprocess.STDOUT).strip()
except Exception as e:
    print (e) 

【讨论】：

改进：shell= False 并且不要将 stderr 强制转换为 stdout...您可能会混淆它们。

【参考方案6】：

我开始认为我应该采用混乱的两部分解决方案。 PDF 有两个部分，pp 1-82 有文本页面标签（pdftotext 可以提取），pp 83-end 没有页面标签但 pyPDF 可以提取并且它明确知道页面。

我想我需要将两者结合起来。笨重，但我看不出有什么办法。遗憾的是，我不得不在 Windows 机器上执行此操作。