如何读取亚洲语言（中文、日文、泰文等）的 PDF 文件并将其存储在 python 中的字符串中

Question

我正在使用 PyPDF2 阅读 python 中的 PDF 文件。虽然它适用于英语和欧洲语言（英语字母表），但图书馆无法阅读日语和中文等亚洲语言。我尝试了 encode('utf-8')、decode('utf-8')，但似乎没有任何效果。它只是在提取文本时打印一个空白字符串。

我尝试过其他库，如 textract 和 PDFMiner，但还没有成功。

当我从 PDF 复制文本并将其粘贴到笔记本上时，字符变成了一些随机格式的文本（可能采用不同的编码）。

def convert_pdf_to_text(filename):
    text = ''
    pdf = PyPDF2.PdfFileReader(open(filename, "rb"))
    if pdf.isEncrypted:
        pdf.decrypt('')
    for page in pdf.pages:
        text = text + page.extractText()
    return text

谁能指出我正确的方向？

Answer 1

我也遇到了类似的问题。我可以使用 'tika-python' 库来解决它。

import tika
tika.initVM()
from tika import parser
parsed = parser.from_file('fileName.pdf')
print(parsed["metadata"])
print(parsed["content"])

您可以在 here

上找到有关图书馆的更多信息

如何读取亚洲语言（中文、日文、泰文等）的 PDF 文件并将其存储在 python 中的字符串中

How to read PDF files which are in asian languages (Chinese, Japanese, Thai, etc.) and store in a string in python

python

unicode

nlp

text-extraction

pdf-reader