python-将PDF页面中的文本提取到列表

我正在尝试从PDF中提取文本逐页，并将文本作为每页的列表存储在如下列表中

我使用了以下目录中的
extractText（）
方法：

上述代码在技术上可行，但该方法不可靠（根据自身情况），抛出如下输出：

[u'!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', u'"!"#$"%#&\'"()"', 

因此，我想知道是否还有其他可靠的方法可以用Python解析PDF文件中的文本？
好的，您可以尝试以下方法：

import PyPDF2

pages = []
pdf_file = <Enter your file path>
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
for page_number in range(number_of_pages):   # use xrange in Py2
    page = read_pdf.getPage(page_number).extractText().split(" ")  # Extract page wise text then split based on spaces as required by you
    pages.append(page)

导入PyPDF2
页码=[]
pdf_文件=
read_pdf=PyPDF2.PdfFileReader（pdf文件）
页数=阅读pdf.getNumPages（）
对于范围内的页码（页数）：#在Py2中使用xrange
page=read_pdf.getPage（page_number）.extractText（）.split（“”）#提取逐页文本，然后根据需要根据空格进行拆分
pages.append（第页）
好吧，你可以试试这个：

import PyPDF2

pages = []
pdf_file = <Enter your file path>
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
for page_number in range(number_of_pages):   # use xrange in Py2
    page = read_pdf.getPage(page_number).extractText().split(" ")  # Extract page wise text then split based on spaces as required by you
    pages.append(page)

导入PyPDF2
页码=[]
pdf_文件=
read_pdf=PyPDF2.PdfFileReader（pdf文件）
页数=阅读pdf.getNumPages（）
对于范围内的页码（页数）：#在Py2中使用xrange
page=read_pdf.getPage（page_number）.extractText（）.split（“”）#提取逐页文本，然后根据需要根据空格进行拆分
pages.append（第页）
您的意思是“这适用于某些PDF文件，但适用于其他PDF文件，具体取决于使用的生成器。”？这是真的。并非所有PDF中的所有文本都可以提取。发布一个链接到你有问题的PDF，我们可以知道这是否是这样的。我使用的文件在这里：它是用Print/PDF生成的。。。来自docx文档的MS Word中的函数。如果有一种从docx生成pdf的方法不会引起这些问题（但保持页面完整等），那将非常令人惊讶：我自己的工具比PyPDF2做得更好，但在解码字体时出错：
%--纯文本转储--------------------我“是”页面“1”。“我是”页面“1”。“我是”页面“1”。
（等等）。空格字符被翻译成
“
！不过，使用Adobe Acrobat复制文本时也会发生同样的情况，这是复制文本的试金石。检查PDF显示我们都是正确的，根据嵌入的
/ToUnicode
“空格”确实翻译成了双引号。@Jongware-有趣！你有自己的工具吗？谢天谢地，这对普通人来说太粗鲁了。它可以为每个对象、页面等转储有用的数据，但解释这种转储仍然需要对PDF规范有透彻的了解。回到你的问题：（a）pdfminer似乎（还没有？）在那里，但（b）你手上碰巧有一个不太符合要求的PDF，这使事情变得复杂。你的意思是“这对某些PDF文件很有效，但对其他文件很差，这取决于使用的生成器。”？这是真的。并非所有PDF中的所有文本都可以提取。发布一个链接到你有问题的PDF，我们可以知道这是否是这样的。我使用的文件在这里：它是用Print/PDF生成的。。。来自docx文档的MS Word中的函数。如果有一种从docx生成pdf的方法不会引起这些问题（但保持页面完整等），那将非常令人惊讶：我自己的工具比PyPDF2做得更好，但在解码字体时出错：
%--纯文本转储--------------------我“是”页面“1”。“我是”页面“1”。“我是”页面“1”。
（等等）。空格字符被翻译成
“
！不过，使用Adobe Acrobat复制文本时也会发生同样的情况，这是复制文本的试金石。检查PDF显示我们都是正确的，根据嵌入的
/ToUnicode
“空格”确实翻译成了双引号。@Jongware-有趣！你有自己的工具吗？谢天谢地，这对普通人来说太粗鲁了。它可以为每个对象、页面等转储有用的数据，但解释这种转储仍然需要对PDF规范有透彻的了解。回到你的问题上：（a）pdfminer似乎（还没有？）在那里，但是（b）你的手上碰巧有一个不太一致的PDF，这使事情变得复杂。