对于某些文件，PyPDF2仅返回空行

Question

我正在编写一个脚本，它可以“读取”PDF文件，然后自动重命名它从字典中识别的文件。然而，对于某些PDF，PyPDF2只返回空行，而对于其他PDF则可以很好地工作。读取文件的代码：

import PyPDF2

# File name
file = 'sample.pdf'

# Open File
with open(file, "rb") as f:
    # Read in file
    pdfReader = PyPDF2.PdfFileReader(f)

    # Check number of pages
    number_of_pages = pdfReader.numPages
    print(number_of_pages)

    # Get first page
    pageObj = pdfReader.getPage(0)

    # Extract text from page 1
    text = pageObj.extractText()        

print(text)

它确实获得了正确的页数，因此它能够打开PDF。

如果我将print(text)替换为repr(text)用于它不能读取的文件，我会得到如下结果：

"'\\n\\n\\n\\n\\n\\n\\n\\nn\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n\\n'"

奇怪的是，当我用Adobe增强(OCR)文件时，脚本的性能稍差一些。它识别了800个文件中的140个，增强后仅识别了110个。

PDF是机器可读/可搜索的，因为我可以将文本复制/粘贴到记事本。我用"pdfminer“测试了一些文件，它确实显示了一些文本，但也抛出了很多错误。如果可能的话，我喜欢继续使用PyPDF2。

我使用的软件规格：

窗口: 10.0.15063

Python: 3.6.1

PyPDF: 1.26.0

Adobe版本: 17.009.20058

谁有什么建议？非常感谢您的帮助！

Answer 1

我遇到了同样的问题，我使用另一个名为slate的python库修复了它，幸运的是，我发现了一个可以在Python3.6.5中工作的fork

import slate3k as slate

with open(file.pdf,'rb') as f:
    extracted_text = slate.PDF(f)
print(extracted_text)