Python pdf2txt的输出中是什么(cid:51)?
所以我试图从pdf文件中提取文本,我需要它的位置、宽度、高度和字体 我尝试了很多,但最有用和最完整的解决方案似乎是,在这种情况下,更确切地说 我遵循文档和示例,尝试使用以下命令从我的pdf中提取文本Python pdf2txt的输出中是什么(cid:51)?,python,xml,pdf-parsing,Python,Xml,Pdf Parsing,所以我试图从pdf文件中提取文本,我需要它的位置、宽度、高度和字体 我尝试了很多,但最有用和最完整的解决方案似乎是,在这种情况下,更确切地说 我遵循文档和示例,尝试使用以下命令从我的pdf中提取文本了解更多信息: pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf 输出buttons.xml如下所示: <?xml version="1.0" encoding="utf-8" ?> <pages>
了解更多信息
:
pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf
输出buttons.xml
如下所示:
<?xml version="1.0" encoding="utf-8" ?>
<pages>
<page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
<textbox id="0" bbox="164.979,213.240,247.680,235.944">
<textline bbox="164.979,213.240,247.680,235.944">
<text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
<text></text>
</textline>
</textbox>
<textgroup bbox="164.979,213.240,419.659,235.944">
<textbox id="0" bbox="164.979,213.240,247.680,235.944" />
</textgroup>
</page>
</pages>
但是,assert
失败并触发事件PDFUnicodeNotDefined
,该事件被捕获并调用:
def handle_undefined_char(self, font, cid):
if self.debug:
print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
return '(cid:%d)' % cid
这就是我如何以一个包含所有这些内容的文件结束(cid:%d)
我对python相当陌生,我试图找出一种识别这些字符的方法,它应该是一个no?有人知道吗?要理解如何解释cid,您需要了解两件事:
查看更多信息我发布在github repo上,但仍然没有答案…这是我创建的一个repo,可以轻松地从pdf ans psd文件(图像和文本转换为json)中提取内容,但是我的问题仍然没有解决。只是想知道sourceforge上是否不再提供.ROS信息,您可以在github上找到它-
def handle_undefined_char(self, font, cid):
if self.debug:
print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
return '(cid:%d)' % cid