Adobe Acrobat/Python PDF输出不同
Adobe Acrobat/Python PDF输出不同
提问于 2018-02-23 01:04:03
我注意到，当我使用OCR将扫描的PDF文档转换为文本时，根据我提取数据的方式，我会得到非常不同的输出。
在上面的照片中-你可以看到一段PDF，它已经被OCR‘转换成相当高质量的文本。如果我在Adobe中选择它并将其复制到word或txt文档中，它会粘贴得非常好。
但是，如果我使用Adobe将其导出为富文本格式，使用Python的PDFminer，或者Python Apache Tika，那么我就会得到上面的照片，正如你所看到的，它完全弄乱了它。两种方法的提取结果非常一致-基本上3种方法都以完全相同的方式对其进行了混淆。
你们中有谁知道为什么OCR格式的PDF可以很好地复制到文本编辑器中，但却以如此奇怪的方式提取？
谢谢!
问候你，马诺
回答 1
Stack Overflow用户
回答已采纳
发布于 2018-03-20 11:22:33
因此，最终对我起作用的是使用Apache-Tika运行初始解析，然后在少数不起作用的情况下，通过PyPDF2传递它们。我的理论是，PyPDF2使用了一种不同的解析机制，它不依赖于PDF的根，而不像Tika，这似乎在一些OCR'd文档中已经被破坏了。
不确定最初的原因，但这是我的解决方案。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/48933262
复制相关文章
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