PyPDF2 无法读取非英文字符，returns extractText() 上的空字符串
PyPDF2 can't read non-English characters, returns empty string on extractText()
我正在编写一个脚本，该脚本将从大型 PDF 文件（40-60 多页，长页数） 中提取数据
不是英语 但文件包含 希腊字符 并且在我 运行 extractText() 函数之前一切看起来都很好PyPDF2 获取给定页面内容，然后它 returns 一个空字符串。
我是这个库的新手，我不知道该怎么做才能解决这个问题！！
PyPDF2 的 "Extract Text" 看起来要么工作正常，要么完全失败。没有您可以传递的参数来尝试让事情正常工作。要么行，要么不行。
您可能无法解决此问题。如果您可以成功 copy/paste Acrobat/Reader 中的文本，则可以提取文本。那么当您尝试从 Reader 中 copy/paste 时会发生什么？不要尝试使用其他第三方 PDF 查看器，请使用 Adobe 软件。您可能不得不放弃 PyPDF2 并转向其他一些 PDF API，但如果 Reader 可以做到，这是一个可以解决的问题。
PDF 中有三种不同的东西在人眼中看起来像字母。
- PDF 中的字母采用某种文本编码。有几种固定编码，而且 PDF 允许您嵌入自己的自定义编码（通常与字体子集一起使用）。软件可以创建看起来不错但实际上无法 copy/pasted 的 PDF，即使是 Adobe。
- 恰好看起来非常像字母的路径艺术。 "Start drawing a line here, draw a straight line to there, then a curve like this to there" 等等。如果您好奇的话，PDF 使用 Bezier curves 来定义它的曲线。与您的问题关系不大，但很有趣。
- 定义像素网格的位图（。jpeg/gif/etc 图像）。
过去，Reader 只能处理上述类型 1 的文本，而且前提是文本编码正确。损坏的自定义编码非常普遍（或者 7 多年前我停止使用 PDF 软件时）。
对于损坏的类型 1，以及所有类型 2 和类型 3，您唯一能做的就是 运行 在 PDF 上进行 OCR。 OCR：光学字符识别。有几个开源 OCR 项目，以及商业项目。
我正在编写一个脚本，该脚本将从大型 PDF 文件（40-60 多页，长页数） 中提取数据
不是英语 但文件包含 希腊字符 并且在我 运行 extractText() 函数之前一切看起来都很好PyPDF2 获取给定页面内容，然后它 returns 一个空字符串。
我是这个库的新手，我不知道该怎么做才能解决这个问题！！
PyPDF2 的 "Extract Text" 看起来要么工作正常，要么完全失败。没有您可以传递的参数来尝试让事情正常工作。要么行，要么不行。
您可能无法解决此问题。如果您可以成功 copy/paste Acrobat/Reader 中的文本，则可以提取文本。那么当您尝试从 Reader 中 copy/paste 时会发生什么？不要尝试使用其他第三方 PDF 查看器，请使用 Adobe 软件。您可能不得不放弃 PyPDF2 并转向其他一些 PDF API，但如果 Reader 可以做到，这是一个可以解决的问题。
PDF 中有三种不同的东西在人眼中看起来像字母。
- PDF 中的字母采用某种文本编码。有几种固定编码，而且 PDF 允许您嵌入自己的自定义编码（通常与字体子集一起使用）。软件可以创建看起来不错但实际上无法 copy/pasted 的 PDF，即使是 Adobe。
- 恰好看起来非常像字母的路径艺术。 "Start drawing a line here, draw a straight line to there, then a curve like this to there" 等等。如果您好奇的话，PDF 使用 Bezier curves 来定义它的曲线。与您的问题关系不大，但很有趣。
- 定义像素网格的位图（。jpeg/gif/etc 图像）。
过去，Reader 只能处理上述类型 1 的文本，而且前提是文本编码正确。损坏的自定义编码非常普遍（或者 7 多年前我停止使用 PDF 软件时）。
对于损坏的类型 1，以及所有类型 2 和类型 3，您唯一能做的就是 运行 在 PDF 上进行 OCR。 OCR：光学字符识别。有几个开源 OCR 项目，以及商业项目。