Python 3.x 解析PDF时错误解码Devanagiri字体

我用它来解析印度不同州发布的预算文件。解析进行得很好，但Devanagari（印地语、马拉地语等语言）的解析输出与文档中的不同。输入文件处于链接状态，解析后的输出文件处于链接状态。可以看出，Devanagari字符与输入文件中的字符不对应。MWE如下所示

import camelot
tables = camelot.read_pdf('Demand_ Estimate.pdf', flavor='stream')
tables[0].to_csv('demand_estimate.csv')

---

这在印度语PDF中相当常见，请参见，例如，以及从那里链接的其他问题。检查示例PDF表明，手头的问题确实与那些重复问题中的问题相同-其中字体的ToUnicode表将多个外观不同的字形映射到同一Unicode代码点。因此，文本提取（依赖于这些表）总是会返回这样的错误结果。作为测试，您可以从Adobe Reader应用简单的复制和粘贴，在您的情况下，它也会返回相同的错误结果。除非您尝试实现自己的文本提取器（该提取器试图依赖其他通常无意义的信息），否则您必须尝试OCR。对于任何感兴趣的人，我们设法找到了一种解决方法，将pdf转换为图像，然后获取csv文件。根据文档的不同，它可能起作用，也可能不起作用。对我们来说，它适用于我们的大多数文档。“将pdf转换为图像，然后获取csv文件”——我想这将是通过OCR获取的。是的。我应该补充一点。我们用tesseract做的