PDFminer空输出

Question

在用pdfminer (pdf2txt.py)处理一个pdf2txt.py时，我收到了空输出：

dan@work:~/project$ pdf2txt.py  docs/homericaeast.pdf 

dan@work:~/project$ 

有人能说出这个文件有什么问题吗?我能做些什么来从它获取数据？

下面是dumppdf.py docs/homericaeast.pdf输出：

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="2" /></value>
<key>Root</key>
<value><ref id="1" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
</list></value>
<key>Size</key>
<value><number>27</number></value>
</dict>
</trailer>

<trailer>
<dict size="4">
<key>Info</key>
<value><ref id="2" /></value>
<key>Root</key>
<value><ref id="1" /></value>
<key>ID</key>
<value><list size="2">
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
<string size="16">on&#10;&#164;&#181;F&#164;5&#193;&#62;&#243;_&#253;v&#172;`</string>
</list></value>
<key>Size</key>
<value><number>27</number></value>
</dict>
</trailer>

Answer 1

现在，我已经修复了/OneByteIdentityH的问题，类似于两个字节unicode映射/Identity-H的代码。修补程序在PR #179中

Answer 2

问题是pdfminer不理解您在这个PDF中使用的CMap。

如果您对pdfminer进行定制构建，在psparser.py中打开psparser.py，您将得到一个类似于以下内容的错误：

pdfminer.psparser.PSTypeError: Literal required: <PDFStream(21): raw=267, {u'Filter': /'FlateDecode', u'CMapName': /u'OneByteIdentityH', u'Type': /u'CMap', u'CIDSystemInfo': <PDFObjRef:20>, u'Length': 266}>

我对代码不是很熟悉，但即使允许这样做也没有帮助，因为它不识别映射(即使我硬编码名称到OneByteIdentityH并要求它查找)。最终的结果是，CMap不包含任何映射，因此它会将PDF中的每个字符转换为空字符串(如果我很挑剔的话，那么None )。

修复方法可能是为这个CMap创建一个映射，该映射只返回与cmapdb.py中已经实现的其他标识映射类似的传递的字符。