Python 2:返回一些PyPdf的空结果

Question

嗨，我有一些pdf的，我需要他们的文字信息被提取。我使用了以下代码：

pdfFileObj = open('abc.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)
pageObj.extractText()

但我得到的是一个特定的pdf：

‘\n\n\n’

然而，这段代码适用于我所拥有的一些pdf。可能的问题是什么？谢谢你。

Answer 1

有时，Py2PDF不会拾取文本。发生这种情况时，我使用的一个解决方案是将pdf转换为jpeg，然后使用图像ocr (使用cv2的tesseract)来获取文本。您可以尝试使用的另一个库是slate (或用于Python3的slate3k )-这并不是真正稳定的库，因此您可能会在安装和运行它时遇到一些问题。我最终让它工作了，当Py2PDF失败时，我能够提取文本。

Slate

我用来在输入到tesseract之前清理JPEG文件的一个很好的代码--提高了文本输出的准确性。也有关于如何将JPEG读入tesseract的代码：Here

如果您使用的是Mac，您可以使用带有sips的os.system命令将pdf转换为jpeg。

Answer 2

PyPDF2不支持从阿拉伯语pdf中提取文本我也遇到了同样的问题，经过一番搜索，我找到了一个名为pdfplumber的库，它可以提取阿拉伯文本，这是代码，请检查它

import pdfplumber
import arabic_reshaper
from bidi.algorithm import get_display
with pdfplumber.open(r'example.pdf') as pdf:
    my_page = pdf.pages[10]
    thepages=my_page.extract_text()
    reshaped_text = arabic_reshaper.reshape(thepages)
    bidi_text = get_display(reshaped_text)
    print(bidi_text)