在 Windows 7 上使用 Python 2.7 从 PDF 文件中提取文本

Question

我一直在使用 PyPDF2 提取由 LibreOffice 4.3 生成的 this PDF file (generated with pdfTeX-1.40.0) using Python 2.7. It works fine but now i have to extract text from same pdf 中包含的文本，结果是这样的（不完整）：

˜ ! ˜"!#$  %
˘ˇˆ˙˝
ˇ
˝%&˘
%'%
˛˚˛˜ !
"#$#"%$&
'##()˛˚˛
˛˚˛˜  !"#$#"%$%
*+!

这是我的代码：

    pdfFileObj = open(filePath, 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    pageText = ""
    for pageID in range(0, pdfReader.numPages): 
        pageObj = pdfReader.getPage(pageID)
        pageText = pageText + "\n" + str(pageObj.extractText().encode('utf-8')))
    for line in pageText:
        extInfo = extInfo + line
    pdfFileObj.close()

    if string2search.replace(' ','') in extInfo:
        stringPresent = True
    else:
        stringPresent = False

windows 机器有任何简单的工作解决方案吗？我找到了 this 个关于此的主题，但没有解决方案。我也尝试使用 this 主题中的 PDFMiner，但出现此错误：

UnicodeEncodeError: 'ascii' codec cant encode character u'\xe9' in position 0: ordinal not in range (128)

Answer 1

我相信你的问题是读取前的编码

pdfFileObj = open(filePath, 'rb',encoding="utf-8") 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageText = ""
for pageID in range(0, pdfReader.numPages): 
    pageObj = pdfReader.getPage(pageID)
    pageText = pageText + "\n" + str(pageObj.extractText().encode('utf-8')))
for line in pageText:
    extInfo = extInfo + line
pdfFileObj.close()

if string2search.replace(' ','') in extInfo:
    stringPresent = True
else:
    stringPresent = False

Answer 2

我终于找到了解决办法。

1.- 下载 windows

的 Xpdf 工具

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

3.- 使用代码：

import subprocess

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

if string2search in extInfo:
    stringPresent = True
else:
    stringPresent = False

在 Windows 7 上使用 Python 2.7 从 PDF 文件中提取文本

Extracting text from a PDF file using Python 2.7 on Windows 7

python

pdf

pypdf

pdftotext

pdfminer