如何从Python中的PDF文件中提取文本?
我试过以下:
import sys
import pyPdf
def convertPdf2String(path):
content = ""
pdf = pyPdf.PdfFileReader(file(path, "rb"))
for i in range(0, pdf.getNumPages()):
content += pdf.getPage(i).extractText() + " \n"
content = " ".join(content.replace(u"\xa0", u" ").strip().split())
return content
f = open('a.txt','w+')
f.write(convertPdf2String(sys.argv[1]).encode("ascii","xmlcharrefreplace"))
f.close()
但结果如下,而不是可读文本:
728;ˇˆ˜ ˚ˇˇ!””˘ˇˆ˙ˆ˝˛˛˛˛ˆ˜ˆ ˆ ˆ˘ˆ˛˙ˆ”ˆ˘”ˆˆˆ˜#$˙ˆ˚ˆ %&ˆ ˘˛ˆ˜’˙˙%˝˛ˆˇ˙ ˜ˆˆ˜’ˆ ˇˆ#$%&(‘%$&))$$+%#,-.+&&˝())˝)˝+,,-./012)(˝)*˝+,-3˙ˆ/0245)6#57+82,55)6#57+,+2,+ /!#!!&˘˘1″%˘20˛˛3ˆ07%4!˘”6 ˛ˆ ˝ˆ ˆ˘&/&4″9ˆ %6ˇ%4%4&5˘2)˘˘˛%:6(