在python中阅读和从pdf文件中提取文本时，单词之间没有空格吗？

Question

你好，社区成员，

我想从一本以.pdf作为文件扩展名的电子书中提取所有文本。我逐渐了解到python有一个包PyPDF2来执行必要的操作。不知何故，我尝试过并能够提取文本，但它会导致提取词之间的空间不适当，有时结果是2-3合并词的结果。

此外，我想从第3页继续提取文本，因为最初的页涉及封面和序言。另外，我不想包含最后5页，因为它包含术语表和索引。

是否有其他方法可以读取没有加密的.pdf二进制文件？

代码片段，无论我到现在尝试了什么，如下所示。

import PyPDF2
def Read():
    pdfFileObj = open('book1.pdf','rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    #discerning the number of pages will allow us to parse through all #the pages
    num_pages = pdfReader.numPages
    count = 0
    global text
    text = []
    while(count < num_pages):
         pageObj = pdfReader.getPage(count)
         count +=1
         text += pageObj.extractText().split()
         print(text)
 Read()

Answer 1

这是一个可能的解决办法：

import PyPDF2

def Read(startPage, endPage):
    global text
    text = []
    cleanText = ""
    pdfFileObj = open('myTest2.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    while startPage <= endPage:
        pageObj = pdfReader.getPage(startPage)
        text += pageObj.extractText()
        startPage += 1
    pdfFileObj.close()
    for myWord in text:
        if myWord != '\n':
            cleanText += myWord
    text = cleanText.split()
    print(text)

Read(0,0)

Read()参数--> read (第一页要读，最后一页要读)

注意:读取第一页的从0开始，而不是从1开始(例如在数组中)。