python - 如何从西里尔文的pdf中获取数据？

Question

尝试获取西里尔文数据时出现错误

import codecs
pdfFileObj = codecs.open('1.pdf', 'rb','utf-8')

错误是

'utf8' codec can't decode byte 0x9c in position 1: invalid start byte

Answer 1

PDF 不是文本文件

PDF 不是 unicode，PDF 充满了二进制流，有文本、图像等。

使用一些 PDF 库

看看PyPDF2 。要从第一页获取文本，请执行

pdf = PdfFileReader(open('/tmp/russian.pdf', 'rb'))
text = pdf.getPage(0).extractText()

尽管您可能还需要将其转换为windows-1251

text.encode('latin').decode('windows-1251')