Извлечение жирных и подчеркнутых текстов из .pdf

Question

Мне нужно извлечь текст из PDF. Но в PDF есть смелые и подчеркнутые тексты. Я пробовал MyPDF2, но получал ошибку при попытке прочитать те PDF-файлы, которые содержат форматированный текст.

    import PyPDF2
    pdf_file = open('Downloads/th.pdf','rb')
    read_pdf = PyPDF2.PdfFileReader(pdf_file)
    number_of_pages = read_pdf.getNumPages()
    page = read_pdf.getPage(0)
    page_content = page.extractText()
    print (page_content)

выход

    ˘ˇˆˆ˝˛˚˜ ˜˚!˘˘ˇˆ˙˛˝˚˜˚ !ˆ"#$ˆ%&'˛"˝#$%˝˚'(˚˛)˛˝*+!-.$ˆ˚˛˚˛˘/˛˛0˛122/ 
    ˘˛˘˚˘˚2ˆ$".#$ˆ%˘˛˛$ˆ$%#$ˆ%˛˛˛˛˝˝(0/ 0$%˙˚˙3#"$˘--4˛0˚! 
    ˆ"#$ˆ%56272˛ˇ5'˛6222˛'4˘8(9˛(˜˚˛&˙˙˙˙˙

Answer 1

Я использовал Python 3.6 и модуль PyPDF2:

1. Получить и установить Python 3
2. Установите модуль PyPDF2, используя PIP. Запустите в терминале (или CMD / PowerShell в Windows): pip install PyPDF2

3. Запустите этот код в консоли python, как в учебнике , для чтения файла PDF и извлечения текста:

   import PyPDF2        
   pdfFileObj = open('meetingminutes.pdf', 'rb')        
   pdfReader = PyPDF2.PdfFileReader(pdfFileObj)        
   pageObj = pdfReader.getPage(0)        
   pageObj.extractText()