PDF提取中的空白和奇怪的单词解释

Question

使用下面的代码片段中，我试图从提取文本数据这个PDF文件。

import pyPdf

def get_text(path):
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file(path, "rb"))
    # Iterate pages
    content = ""
    for i in range(0, pdf.getNumPages()):
        content += pdf.getPage(i).extractText() + "\n"  # Extract text from page and add to content
    # Collapse whitespace
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

但是，我获得的输出在大多数单词之间没有空格。这使得很难对文本执行自然语言处理（我的最终目标在这里）。

同样，单词“ finger”中的“ fi”始终被解释为其他含义。这是相当有问题的，因为本文是关于手指的自发运动的。

有人知道为什么会这样吗？我什至不知道从哪里开始！

Answer 1

您的PDF文件没有可打印的空格字符，只是将单词放置在需要的位置。您可能需要做一些额外的工作来找出空格，可能是假设多字符运行是单词，然后在它们之间放置空格。

如果您可以在PDF阅读器中选择文本，并正确显示空格，那么至少您知道有足够的信息来重构文本。

“ fi”是印刷的连字，显示为单个字符。您可能会发现“ fl”，“ ffi”和“ ffl”也会发生这种情况。您可以使用字符串替换将“ fi”替换为连字。