pyPdf impossibile estrarre il testo da alcune pagine nel mio PDF

Question

Sto provando a utilizzare pyPdf per estrarre e stampare pagine da un PDF multipagina. Il problema è che il testo non viene estratto da alcune pagine. Ho messo un file di esempio qui:

http://www.4shared.com/document/kmJF67E4/forms.html

Se si esegue il seguente, le prime 81 pagine restituiscono alcun testo, mentre la finale 11 estratto correttamente. Qualcuno può aiutare?

from pyPdf import PdfFileReader 
input = PdfFileReader(file("forms.pdf", "rb")) 
for page in input1.pages: 
    print page.extractText() 

Answer 1

noti che extractText() ha ancora problemi durante l'estrazione del testo in modo corretto. Dalla documentazione per extractText():

Questo funziona bene per alcuni file PDF, ma poco per gli altri, a seconda generatore utilizzato. Questo sarà perfezionato in futuro. Non fare affidamento su l'ordine di testo che esce da questa funzione , poiché cambierà se questa funzione è resa più sofisticata.

Poiché è il testo che si desidera, è possibile utilizzare il comando Linux pdftotext.

Per invocare che l'utilizzo di Python, si può fare questo:

>>> import subprocess 
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output']) 

Il testo viene estratto da forms.pdf e salvato output.

Questo funziona nel caso del file PDF ed estrae il testo desiderato.

Answer 2

Si potrebbe anche provare la libreria pdfminer (anche in python) e vedere se è meglio estrarre il testo. Tuttavia, per la suddivisione, è necessario attenersi a pyPdf poiché pdfminer non lo supporta.

Answer 3

Trovo a volte utile per convertirlo in ps (provare con pdf2ps e pdftops per differenze di potenziale), poi di nuovo a pdf (ps2pdf). Quindi prova di nuovo lo script originale.

Answer 4

Sto iniziando a pensare che dovrei adottare una soluzione disordinata in due parti. ci sono due sezioni per il PDF, pp 1-82 che hanno etichette di pagine di testo (pdftotext può estrarre) e pp 83-end che non hanno etichette di pagina ma pyPDF può estrarre e conosce esplicitamente le pagine.

Penso di aver bisogno di combinare i due. Clunky, ma non vedo alcun modo attorno ad esso. Purtroppo sto facendo questo su una macchina Windows.

Answer 5

Questa non è davvero una risposta, ma il problema con pyPdf è questo: non supporta ancora CMaps. PDF consente ai caratteri di utilizzare CMaps per mappare gli ID carattere (byte nel PDF) ai codici carattere Unicode. Quando hai un PDF che contiene caratteri non ASCII, probabilmente c'è un CMap in uso, e talvolta anche quando non ci sono caratteri non ASCII. Quando pyPdf incontra stringhe che non sono nella codifica Unicode standard, vede solo un mucchio di codice byte; non può convertire quei byte in Unicode, quindi ti dà solo stringhe vuote. In realtà ho avuto questo stesso problema e sto lavorando al codice sorgente al momento. È dispendioso in termini di tempo, ma spero di inviare una patch al manutentore verso la metà del 2011.

Answer 6

Ho avuto simile problema con alcuni file PDF e per le finestre, questo sta lavorando eccellente per me:

1.- strumenti Scarica Xpdf per Windows

2.- copia pdftotext.exe da xpdf-strumenti- win-4.00 \ bin32 a C: \ Windows \ System32 e anche di C: \ Windows \ SysWOW64

3.- uso sottoprocesso per eseguire il comando da console:

import subprocess 

try: 
    extInfo = subprocess.check_output('pdftotext.exe '+filePath + ' -',shell=True,stderr=subprocess.STDOUT).strip() 
except Exception as e: 
    print (e)