python - PyPDF2 提取空文本 : Python3

Question

我正在使用 PyPDF2 从 pdf 中提取文本。我在谷歌中找到的所有示例看起来都像我的代码:

import PyPDF2

    pl = open('test2.pdf', 'rb')
    plread = PyPDF2.PdfFileReader(pl)
    getpage1 = plread.getPage(0)
    text1 = getpage1.extractText()
    print(text1.encode('utf-8'))

但是，我的控制台中有空文本:

b''

这段代码我已经针对不同的 pdf 进行了测试，并且所有 pdf 都是空的

更新:

# getDocumentInfo
{'/Producer': 'Skia/PDF m75'}

文件 pdf

Answer 1

看起来某些字体/文本组合使 PyPDF2、PyPDF3 或 PyPDF4 无法读取文本。
要从这些 PDF 中提取文本，您可以使用专用的 PDF 文本提取包 pdfminer.six .

from pdfminer import high_level

local_pdf_filename = "/path/to/pdf/you_want_to_extract_text_from.pdf"
pages = [0] # just the first page

extracted_text = high_level.extract_text(local_pdf_filename, "", pages)
print(extracted_text)

它适用于对我来说失败的所有 pdf，并且作为后备实现速度非常快。全 docs for the extract_text功能是 here .