如何用西里尔文从pdf中获取数据？

Question

我尝试用西里尔文获取数据时出错

import codecs
pdfFileObj = codecs.open('1.pdf', 'rb','utf-8')

错误是

'utf8' codec can't decode byte 0x9c in position 1: invalid start byte

Answer 1

PDF不是文本文件

PDF不是unicode，PDF充满了二进制流，带有文本、图像等。

使用一些PDF库

看看PyPDF2吧。要从第一页获取文本，请执行以下操作

pdf = PdfFileReader(open('/tmp/russian.pdf', 'rb'))
text = pdf.getPage(0).extractText()

尽管您可能还需要将其转换为windows-1251。

text.encode('latin').decode('windows-1251')

Answer 2

这是一个使用pdfminer.six的解决方案；它支持西里尔字符

from pdfminer import high_level

with open('file.pdf', 'rb') as f:
    text = high_level.extract_text(f)
    print(text)

另请参阅https://stackoverflow.com/a/70501572/3367753