为什么我得到的是"ق“而不是"fi"？

Question

我从文档中提取了文本，并注意到该文本包含一些未知字符，例如：

"An adversary modiقes the aggregation result"

很明显，ق不是真正的字符，应该用"fi“代替--还有其他类似的例子。

我可以使用python将这些字符替换为正确的英文字符吗？

我写了下面的代码来从pdf文件中提取和解码文本流：

import zlib

file = open ("PDF_File.pdf"."rb").read()  # read pdf file
objectPDF = re.findall('(\d+ \d+ obj.+?endobj)',file , re.DOTALL) # extract pdf 
                                                                   # objects
for item in objectPDF :
    pdfstreams = re.findall('stream(.*?)endstream',item  , re.DOTALL) # extract text 
                                                                      # stream 
                                                                      # encoded by                     
                                                                   # flatedecode filter
for item in pdfstreams :                                          
    buffer = item  
    decomp = zlib.decompress(buffer)   # decode each stream
    pdf_txt = open("Txt_PDF.txt","w")  
    pdf_txt .write(decomp)             # write the text to file
    pdf_txt .close()

Answer 1

你有一个编码错误：

>>> print u"modiقes".encode("cp1256").decode("mac_roman")
modifies

注意，违规字符不是损坏一对字符fi的结果，而是损坏单个字符fi (U+FB01 'LATIN SMALL LIGATURE FI')的结果。

如果看不到您的代码，就不可能确切地说出这是如何发生的，但它可以归结为:您试图将Mac OS Roman文本解码为Windows 1256。如果你停止这样做，你就不会再有问题了。