Python文本提取在某些PDF上不起作用
我正在尝试通过url读取pdf。我遵循了许多stackoverflow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()
我能够成功地提取第一个链接的文本。但是如果我对第二个pdf使用相同的程序。我没有收到任何短信。页码和文档信息似乎出现了。
我尝试通过终端从Pdfminer中提取文本，并能够从第二个pdf中提取文本。
你知道pdf有什么问题吗？或者我使用的库有缺点吗？
共有1个答案
如果您阅读pyPDF留档中的注释，您会看到它就写在那里，该功能对某些PDF文件不起作用；换句话说，您正在查看库的限制。
看看这两个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，并且库可能无法正确支持这一点。仅供参考，我使用callas pdfToolbox进行了文本提取（注意，我属于此工具），该工具使用Acrobat文本提取，并且两个文件的文本都被正确提取（确认问题不是PDF文件）。
-
问题内容： alert(myVar1); return false; var myVar1; 上面的代码在IE，FF和Opera中引发错误，表明return语句必须包含在函数中。但它可以在Safari和Chrome中运行（显示）。 以上代码已在全局范围内编写。以外的所有功能。 任何原因？ 问题答案： 在javaScript中，将变量移到脚本顶部，然后运行。所以当你运行它会做 这是因为javascr
-
我在GitHub中使用这个项目：https://github.com/gankit0701/Face-Mask-Detection-In-android-App 这个使用TensorFlow Lite for mobile（Android）。它检测一个人是否戴面具。它在面部顶部绘制一个框（红色/绿色）。 我奇怪的问题是，如果我直接在设备上安装演示APK，面罩检测工作正常。但是当我在Android
-
我们用FCM创建了一个带有通知的聊天应用程序，我的代码是正确的，我的设备也得到了推送通知数据，但一些中国制造的设备，如vivo、oppo、一加、小米，不允许通知显示，除非我在各自厂商的受保护的应用程序列表中添加应用程序。他们有没有办法解决这个问题。 https://hackernoon.com/notifications-in-android-are-horribly-broken-b8dbec6
-
问题内容： 我正在尝试在本地文件中发出请求，但是我不知道何时尝试在计算机上显示错误。是否可以在项目中提取文件？ 问题答案： 您的JSON文件需要由服务器提供服务，因此您需要快速服务器（或任何其他服务器）。在这个例子中，我们使用 express 。 注意： 您也可以下载git repo App.js文件 server.js
-
问题内容： 我想知道是否可以仅使用Javascript将文本包含在PDF文件中？如果是，谁能告诉我如何？ 我知道有一些服务器端的Java，C＃等库，但我宁愿不使用服务器。谢谢 问题答案： 这是一个古老的问题，但是由于pdf.js多年来一直在发展，所以我想给出一个新的答案。也就是说，它可以在本地完成，而无需涉及任何服务器或外部服务。新的pdf.js具有一个函数：page.getTextContent
-
我的问题是： 如何从按列划分的PDF文件中提取文本，以获得由该列分隔的结果？ 背景：我从事一个关于文本分析（尤其是科学文本）的项目。这些文本有时以多列布局发布，每列都有单独的页码。要按布局页码对提取的文本进行排序，按列提取文本会很有用。 我使用pdfBox并尝试/搜索了以下内容： 我尝试了类的getThreadBeads（）方法- 问题是pdfBox似乎会自动将文本按列划分：如果我将PDFText