首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >PDFPlumber返回符号和不准确的文本

PDFPlumber返回符号和不准确的文本
EN

Stack Overflow用户
提问于 2021-05-02 13:09:15
回答 1查看 62关注 0票数 0

我正在尝试使用PDFplumber从pdf文件中提取文本

代码语言:javascript
复制
import pdfplumber
pdf = pdfplumber.open(r"https://www.lupin.com/pdf/financials/subsidiaries/multicare-pharmaceuticals-philippines-inc-philippines-2018.pdf")
for ps in pdf.pages:        
print(ps.extract_text(y_tolerance=20))

但是,我得到的输出如下所示。它不会提取确切的文本并返回符号-

代码语言:javascript
复制
 (A WhLolUlyI POnwdMIenNapFerid ecnP nhSad Hun3ebc1Insi,aiLt d 2laAiI a0SnuPr1tdyda8P  itot eIafo mnLNrusde’pE  n2iRnSt0es H1, p o7oIl drNitn Cgs.,  B.V.) 
                    1135 Chino Roces Avenue    , Makati City, Philippines  None None None (SLATU AWPTIhENoMll yPE NOHwTISLn eIOdPF PS FuIINbNsEiAdSiNa, rCIyIN AoCfL L. PuOpiSnI HToIOldNings, B.V.) PDCTDIPRNACnrrreaueuSooeavfsferSnppudeTTehr Enae-enroofercryr tTdttnoeaotaaumaSymdntrllrb    i edrCNeAa tlneer asnuosoe tnxdrnsstslr ath e-eaee tcecAtsnequurssdtsu rre r rsiiAetptpeesyscamnts ertdseeit veiAtnesapstsbo–slesneitetssst–net No21129678t2201es                   PP                  434                 125863           21674007458  0,,,,,,,,,, 2367029366 1 26653629047825231406078 ,,,,,,,,,,, 43521581332  01450564793 M07073790873arc                  h            3                  1         P         P           323                 313732           51359221260  ,,,,,,,,,,1 1685100499 72767656537925485539399,,,,,,,,,,,446553288940724576365308101010455 SDSDTDLCENerIhqueeuoaeAaffuern dTeiNrrBc i-eroetetoiIcrot yt tneaLcau erdantsIlre    pdTrCtLltoaei aIuito atEnaxFretiblr Sthndle iiea L alnApnirbitt caaN piiiLlerbaiDatitlsaii yy elSbEiatstiabQylitlteeUimesIseTnYts  11211214                          PP            444(        134362    7907555  ,,,,,,, 146490647732044012981676,,,,,,,,968737381184639575050575)              PP      332     (    341039    5473266  ,,,,,,, 6692396 2801199  1417594  ,,,,,,, 2033441-32631380406151) 
EN

回答 1

Stack Overflow用户

发布于 2021-05-13 21:29:07

因为y_tolerance的值太高,所以没有提供确切的文本。提取文本时,如果一个字符的doctop与下一个字符的doctop之间的差异大于y_tolerance,则pdfplumber会添加换行符。要解决此问题,可以删除参数,如下所示

代码语言:javascript
复制
for ps in pdf.pages:        
    print(ps.extract_text())

奇怪的符号出现了,因为右下角的条形码和PDF中的项目符号。如果你试图复制任何页面上的条形码,你会得到奇怪的表情符号unicode字符。如果您不需要它们,您可以简单地替换它们。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/67353169

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档