Python pdfminer разбирает странный символ - PullRequest
Новая
       30

Python pdfminer разбирает странный символ

0 голосов
/ 17 мая 2019

С помощью пакета python pdfminer.six (на python 3.7) я пытаюсь прочитать и извлечь текст из простого PDF.

Ссылка на PDF: Нажмите здесь

Это мой код: 

import io

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage


def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = io.StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos = set()

    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages,
                                  password=password,
                                  caching=caching,
                                  check_extractable=True):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text



text = convert_pdf_to_txt("demo.pdf")
print(text)

Это вывод, который я получаю.Я пробовал скрипт на другом PDF, и он отлично работает.Я даже могу найти PDF в браузере или браузере Chrome без проблем.

enter image description here

ОБНОВЛЕНИЕ: я проверил PDF через https://pdftotext.com/ и он извлек весь текст без проблем.В конце текстового файла есть этот странный символ.Может быть, я вызываю неправильный метод в PDF?

...