提取pdf内容在python中不起作用。
我正在使用python请求库从http://mutation.land.gov.bd/pages/doc?data=21192a2等urls中收集数百万可公开使用的pdfs。然后我试着提取pdf中的表格，然后用熊猫把这些摘录的文本写进csv。但问题是，这些摘录的文本是混乱或破损的孟加拉语文本，这是没有用的。如何从这些pdfs中正确地提取文本并写入csv。
到目前为止我使用的代码-
response = requests.get(url,headers=headers)
pdf_txt = ''
with io.BytesIO(response.content) as open_pdf_file:
#global pdf_txt
read_pdf = PyPDF2.PdfFileReader(open_pdf_file)
if read_pdf.isEncrypted:
read_pdf.decrypt("")
else:
pass
pdf_txt = read_pdf.getPage(0).extractText()
#Save the pdf if not blank
if "DCR ২২০০০০০" not in pdf_txt:
with open(pdfname_dcr, 'wb') as f:
f.write(response.content)
print(f"Collected DCR {decimal_code_dcr}")在这里，pdf_txt充斥着破碎或混乱的孟加拉语。因此，很难从该pdf_txt变量中提取数据。
我也试过了，但都失败了-
#Tabula
dfs = tabula.read_pdf(pdfname_dcr, pages='all',java_options='-Dfile.encoding=UTF8')
tabula.convert_into(pdfname_dcr, "output.csv", output_format="csv", pages='all')，实际上，我希望从这些pdfs中正确地提取数据到csv中。
。
回答 1
Stack Overflow用户
发布于 2022-07-23 15:10:23
一般来说，这个地区的字体包括Devanagari、孟加拉语-Assamese、Gujarati、Odia、Telugu、Jav式和其他几个脚本，在许多PDF应用程序中都会遇到类似的问题，这里只是数千个布局问题中的一个，https://github.com/DavBfr/dart_pdf/issues/198，虽然与提取不一样，但它显示了潜在的合成问题。Adobe承认，回顾过去，国际RTL和国外结扎都没有得到很好的处理。
这些字符通常被合成成两个字符，因此我们通常会看到，在纯文本中，它看起来是গণ+জাত+ী+বাংলােদশ+সরকার或গণজাতীবাংলােদশসরকার，或者更糟的是গণ�জাত�ী বাংলােদশ সরকার/গণ�জাত�ীবাংলােদশসরকার，或者最糟糕的是，拉丁文中的胡言乱语。
但是，这是搜索所需的文本。
所以我怀疑这就是你所说的“乱七八糟”的意思，除了使用更丰富的文本方法之外，在简单的纯文本中没有什么可以做的。
因此，从您的html来源PDF，我们经常看到网站使用Woff字体，不能应用到PDF打印。在这两种情况下，表面表示都与组合组件不同。
因此，在纯文本提取中，与获取一样好。
因此，要重新组合符号，您需要一个本地富编辑器来合并单独的符号，并注入缺失的符号。
甚至PDF专家也不能将这些字符提取为丰富的文本。
在下面的评论中，提出了第一个缺陷是第三个字符প্র在গণপ্রজাতন্ত্রী中丢失了，这只是几个不同的问题之一，所以这种情况是由于可见轮廓和存储代码映射之间的相关性差。当要求预演上述adobe尝试中的基本内容时，我们看到有一个空白，但在纯文本中用গণ�জাত�ী表示，单词的右端是一个与结扎相关的独立问题，通常RTL和LTR也可能是导致无序字符的一个因素。
https://stackoverflow.com/questions/73075898
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号