Python PDFminer因无法识别的字符而出错

尝试使用pdfminer从pdf中提取文本时，出现以下错误：

ValueError:unichr（）参数不在范围内（0x110000）（宽Python构建）

似乎存在无法识别的字符，并且一个字符在提取其余文本之前抛出错误。utf整数大于110000。大多数此类错误都与狭窄的Python构建有关，但在本例中并非如此

错误似乎出现在pdfminer中的name2unicode函数中：

<ipython-input-87-ebcd473faf08> in name2unicode(name)
     13     if not m:
     14         raise KeyError(name)
---> 15     return unichr(int(m.group(0)))

name2unicode（名称）中的

13如果不是m：
14 raise KeyError（名称）
--->15返回unichr（内部（m.group（0）））

---

我发现了那个令人讨厌的角色。它的unicode int比范围大得多，我还没有找到相应的符号。

pdfminer函数设置为跳过键错误（调用函数在尝试中，但在键错误后传递），但当它是超出范围的错误时，将忽略该错误。您可以通过更改原始函数来修复此问题，如下所示：

import re
from pdfminer.psparser import PSLiteral
from pdfminer.glyphlist import glyphname2unicode
from pdfminer.latin_enc import ENCODING
STRIP_NAME = re.compile(r'[0-9]+')
def edit_name2unicode(name):
    """Converts Adobe glyph names to Unicode numbers."""
    if name in glyphname2unicode:
        return glyphname2unicode[name]
    m = STRIP_NAME.search(name)
#     print('name: '+name)
#     print('m: '+str(m))
    if not m or m>110000:
        raise KeyError(name)
    return unichr(int(m.group(0)))

pdfminer.encodingdb.name2unicode = edit_name2unicode

最后请注意，在为整个文档导入pdfminer后，必须将旧函数设置为新函数。 这是一个运行时解决方案，对于一个必须多次完成的过程，我将更改源文档，尤其是因为pdfminer没有良好的类结构，您无法轻松继承和覆盖

但是，如果要保留的字符存在关键错误，可以将其添加到pypdf或添加其他字符集编码