Python-将pdf转换为文本，编码错误

我试图将pdf文档转换为txt文件。 （pdf文件示例）

所以我试着如下。 但是提取的文本很奇怪，就像

？？챘#?遏?H첨챦_철?‾n~w？？？k

我怎样才能修好它

#!/usr/bin/python
# -*- coding: cp949 -*-
# -*- coding: utf-8 -*-
# -*- coding: latin-1 -*-
# -*- coding: euc-kr -*-

import codecs
import pyPdf
filename = "d:/data/processed_data/paper/iscram/2006/iscram1.pdf"
#pdf = codecs.open(filename, "rb", encoding = 'utf-8') 
pdf = codecs.open(filename, "rb", encoding = 'latin1')
for page in pdf:
    print page.encode('utf-8')

我使用的是win7-64位韩语版本

我尝试了另一种方法，使用pyPdf，如下所示

import os
import glob
from pyPdf import PdfFileReader
import pdfminer

f=open("d:/data/processed_data/paper/iscram/2006/iscram1.txt",'w')
parent = "d:/data/processed_data/paper/iscram/2006"
os.chdir(parent)
filename = os.path.abspath('iscram1.pdf')

input = PdfFileReader(file(filename, "rb"))
for page in input.pages:
    f.write(page.extractText())

---

但它不起作用，出现“ascii”编解码器无法对602位置的字符u'\u0152'进行编码：序号不在范围（128）”错误

前一个代码根本无法工作，PDF不一定包含直接可读的文本。但后一种使用pyPdf的代码看起来更有希望

之所以引发，是因为（

页面

）不是字符串，而是

f.write

希望看到字符串

因此，您可以尝试使用文档中的

extractText

方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))

---

以前的代码根本无法工作，PDF根本不一定包含直接可读的文本。但后一种使用pyPdf的代码看起来更有希望

之所以引发，是因为（

页面

）不是字符串，而是

f.write

希望看到字符串

因此，您可以尝试使用文档中的

extractText

方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))

---

以前的代码根本无法工作，PDF根本不一定包含直接可读的文本。但后一种使用pyPdf的代码看起来更有希望

之所以引发，是因为（

页面

）不是字符串，而是

f.write

希望看到字符串

因此，您可以尝试使用文档中的

extractText

方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))

---

以前的代码根本无法工作，PDF根本不一定包含直接可读的文本。但后一种使用pyPdf的代码看起来更有希望

之所以引发，是因为（

页面

）不是字符串，而是

f.write

希望看到字符串

因此，您可以尝试使用文档中的

extractText

方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))

pdf命令流使用类似于拉丁语-1的编码进行编码

命令流包括在页面上显示内容的说明

如果这些东西是“文本”，那么它实际上是显示字符形状的指令，即取自字体（或字体子集或多个字体位的组合）的字形

大多数情况下，翻译这些文件中的字节所需的信息 （比如）unicode文本的说明存储在PDF中，但有时不存储，有时根本不可能进行翻译（例如字体打印徽标）

PyPDF2（和许多其他开源PDF软件包）不包含处理此问题的全部复杂性的功能，但幸运的是，许多文档创建者依赖于一小部分“标准编码”，其中包括许多拉丁语-1变体，“提取文本”功能在这些情况下提供了可用的结果。我还发现PDF中的字体定义具有替换映射，可以为使用的每个字节提供glyph的名称，并且发现修改PyPDF2以处理此问题很容易。其他情况就不那么简单了

最后，在尝试从PDF中提取可读文本时，还需要考虑另外两个因素。首先，一些PDF流可以被压缩，而一些是加密的。PyPDF2可以处理这两种情况。第二个问题是，PDF指令只是将字符放在页面上的特定点上。在大多数情况下，PDF编写者可能会按照阅读顺序编写数据，但可能会在单词内以及在分词时更改位置

pdf命令流使用类似于拉丁语-1的编码进行编码

命令流包括在页面上显示内容的说明

如果这些东西是“文本”，那么它实际上是显示字符形状的指令，即取自字体（或字体子集或多个字体位的组合）的字形

大多数情况下，翻译这些文件中的字节所需的信息 （比如）unicode文本的说明存储在PDF中，但有时不存储，有时根本不可能进行翻译（例如字体打印徽标）

PyPDF2（和许多其他开源PDF软件包）不包含处理此问题的全部复杂性的功能，但幸运的是，许多文档创建者依赖于一小部分“标准编码”，其中包括许多拉丁语-1变体，“提取文本”功能在这些情况下提供了可用的结果。我还发现PDF中的字体定义具有替换映射，可以为使用的每个字节提供glyph的名称，并且发现修改PyPDF2以处理此问题很容易。其他情况就不那么简单了

最后，在尝试从PDF中提取可读文本时，还需要考虑另外两个因素。首先，一些PDF流可以被压缩，而一些是加密的。PyPDF2可以处理这两种情况。第二个问题是，PDF指令只是将字符放在页面上的特定点上。在大多数情况下，PDF编写者可能会按照阅读顺序编写数据，但可能会在单词内以及在分词时更改位置

pdf命令流使用类似于拉丁语-1的编码进行编码

命令流包括在页面上显示内容的说明

如果这些东西是“文本”，那么它实际上是显示字符形状的指令，即取自字体（或字体子集或多个字体位的组合）的字形

大多数情况下，翻译这些文件中的字节所需的信息 （比如）unicode文本的说明存储在PDF中，但有时不存储，有时根本不可能进行翻译（例如，字体打印lo）