Python 当尝试获取字数时，此PDF有什么问题

我正在尝试编写一个python应用程序，以便为PDF计算字数

不过，我在这个PDF中遇到了一些奇怪的事情

当我从PDF中提取文本时，它显示为某种二进制/符号垃圾

我尝试了

PyPDF2

和

PyMuPDF

libs，得到了相同的结果

我怎样才能得到像这样的PDF的字数

这是文件。

---

PDF缺少文本提取所需的信息。因此，试图从中提取文本通常会产生垃圾。

详细地 该PDF中的文本使用的字体既不显示ToUnicode地图，也不显示标准化名称的编码。它也不使用ActualText属性标记内容。此外，字符代码到例如拉丁语-1的简单身份映射也不会产生任何可理解的结果

因此，根据PDF规范ISO 32000（第1部分和第2部分）中提出的算法对每个字符进行文本提取将导致该阶段

如果这些方法无法生成Unicode值，则无法确定字符代码所代表的内容，在这种情况下，一致性读取器可以选择自己选择的字符代码

（ISO 32000-1第9.10.2节将字符代码映射到Unicode值）

通过应用“复制粘贴”，您可以看到Adobe Acrobat也不喜欢这样

不过，在某些情况下，深入研究嵌入式字体会找到到Unicode的替代映射，一些文本提取器确实使用它们

尽管如此，这种方法在这里也无济于事，字体是一种类型3字体，即不基于某些正常的字体格式（例如TrueType），而是完全使用PDF矢量图形序列定义，无需进一步映射到Unicode

因此，如果没有某种程度的OCR（人工或自动化），就无法从该PDF中提取文本

旁白

---

如果本文档确实是由某些美国部门以当前形式发布的（而不是应用于其原始文档的某些转换工具的输出），您可能希望与该部门联系，讨论可访问性和第508节等主题…

字符编码似乎有问题。我从未使用过这些库，但检查一下它是否与字符编码不匹配，我认为编码在Python2中已经消失了。在Python3中不是只有

str

或

byte

？