Python 文本提取不适用于某些 pdf
Python text extraction does not work on some pdfs
我正在尝试通过 url 阅读 pdf。我遵循了许多 Whosebug 的建议，并使用 PyPdf2 FileReader 从 pdf 中提取文本。
我的代码如下所示：
url = "http://kat.kar.nic.in:8080/uploadedFiles/C_13052015_ch1_l1.pdf"
#url = "http://kat.kar.nic.in:8080/uploadedFiles/C_06052015_ch1_l1.pdf"
f = urlopen(Request(url)).read()
fileInput = StringIO(f)
pdf = PyPDF2.PdfFileReader(fileInput)
print pdf.getNumPages()
print pdf.getDocumentInfo()
print pdf.getPage(1).extractText()
我能够成功提取第一个 link 的文本。但是如果我对第二个 pdf 使用相同的程序。我没有收到任何文字。页码和文档信息似乎显示出来了。
我尝试通过终端从 Pdfminer 中提取文本，并且能够从第二个 pdf 中提取文本。
知道 pdf 有什么问题或者我使用的库有什么缺点吗？
如果您阅读 pyPDF 文档中的评论，您会发现它就在那里写着此功能不适用于某些 PDF 文件；换句话说，您正在查看库的限制。
查看这两个PDF文件，我看不出文件本身有什么问题。但是...
第一个文件包含完全嵌入的字体
第二个文件包含子集字体
这意味着第二个文件更难从中提取文本，并且库可能不支持正确的。仅供参考，我使用 callas pdfToolbox（注意，我隶属于此工具）进行了文本提取，它使用 Acrobat 文本提取，并且为两个文件正确提取了文本（确认问题不是 PDF 文件） .
我正在尝试通过 url 阅读 pdf。我遵循了许多 Whosebug 的建议，并使用 PyPdf2 FileReader 从 pdf 中提取文本。 我的代码如下所示：
url = "http://kat.kar.nic.in:8080/uploadedFiles/C_13052015_ch1_l1.pdf"
#url = "http://kat.kar.nic.in:8080/uploadedFiles/C_06052015_ch1_l1.pdf"
f = urlopen(Request(url)).read()
fileInput = StringIO(f)
pdf = PyPDF2.PdfFileReader(fileInput)
print pdf.getNumPages()
print pdf.getDocumentInfo()
print pdf.getPage(1).extractText()
我能够成功提取第一个 link 的文本。但是如果我对第二个 pdf 使用相同的程序。我没有收到任何文字。页码和文档信息似乎显示出来了。
我尝试通过终端从 Pdfminer 中提取文本，并且能够从第二个 pdf 中提取文本。
知道 pdf 有什么问题或者我使用的库有什么缺点吗？
如果您阅读 pyPDF 文档中的评论，您会发现它就在那里写着此功能不适用于某些 PDF 文件；换句话说，您正在查看库的限制。
查看这两个PDF文件，我看不出文件本身有什么问题。但是...
第一个文件包含完全嵌入的字体 第二个文件包含子集字体
这意味着第二个文件更难从中提取文本，并且库可能不支持正确的。仅供参考，我使用 callas pdfToolbox（注意，我隶属于此工具）进行了文本提取，它使用 Acrobat 文本提取，并且为两个文件正确提取了文本（确认问题不是 PDF 文件） .