如何检测何时使用PyPDF2成功提取pdf文本。提取文本？

Question

我正在使用PyPDF2库通过其函数从PDF文件中提取文本，对于大多数PDF来说，它工作得很好！

但是，一些PDF生成的文本如下所示：

\n！"#$%

根据文件，这是可以预期的：

这适用于某些PDF文件，但对其他文件效果不佳，具体取决于使用的生成器。

不幸的是，extractText（）函数在输出上述文本时不会引发任何异常。

所以，我的问题是，有没有一种方法可以以编程方式检测提取文本（）函数何时返回胡言乱语？

Answer 1

根据@DYZ的评论，以下是解决方案。

假设文档路径是您打开的PDF文件的路径。其余的应该是不言而喻的。

from PyPDF2 import PdfFileReader
from nltk.corpus import words

words = words.words()
document_file = PdfFileReader(open(document_path, 'rb'))
num_pages = document_file.getNumPages()
for page_num in range(0, num_pages):
    page = document_file.getPage(page_num)
    page_contents = page.extractText()
    if set(page_contents.lower().split()).intersection(words):
        # process page_contents