3

Пытаюсь конвертировать кирилицу из pdf в txt c помощью PyPDF2 в Python:

import PyPDF2
pdf_file = open('mail_cir.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print (page_content.encode('utf-8'))

Ошибки не выдает, но и текст не видит.

Пыталась изменить:

 pdf_file = codecs.open('mail_cir.pdf', 'rb', encoding='utf-8')

Тогда выдается ошибка:

TypeError: Can't convert 'bytes' object to str implicitly

И другой вопрос:

Если конвертировать стих, то после окончания строки на пустом месте выводится \n \n. Как избавиться от этих символов?

6
  • Вы уверены что PDF имеет текст? Он может быть просто изображением страницы показывает.
    – A1essandro
    Commented 9 нояб. 2016 в 11:52
  • Безусловно PDF имеет текст. Проверяю- вставляю в текст на кирилице текст на латинском алфавите- текст выводится, на русском нет. Спасибо за ответ .
    – Olga
    Commented 9 нояб. 2016 в 11:56
  • print (page_content.decode('cp1251').encode('utf-8')) попробуйте, я давно с python не работал, и сейчас нет возможности проверить, может поможет
    – A1essandro
    Commented 9 нояб. 2016 в 12:27
  • Выдает ошибку :AttributeError: 'str' object has no attribute 'decode'
    – Olga
    Commented 9 нояб. 2016 в 13:00
  • @A1essandro, тестировал этой же библиотекой и extractText вернул текст, но только ascii, кириллица в нем отсутствовала
    – gil9red
    Commented 10 нояб. 2016 в 5:48

1 ответ 1

8
+50

Можно воспользоваться PDFMiner, чтобы текст, включающий русские буквы, из pdf достать:

#!/usr/bin/env python
import sys
import pdfminer.high_level # $ pip install pdfminer.six

with open('mail_cir.pdf', 'rb') as file:
    pdfminer.high_level.extract_text_to_fp(file, sys.stdout)

pdf2txt.py показывает как эта функция может быть использована—можно много опций передать.

Ввод (в pdf)

English 🇬🇧
На русском 🇷🇺
Smiley: ☺
non-BMP smiley: 😂

Вывод (текст в консоли)

English На русском Smiley: ☺non-BMP smiley:  

Русский текст нормально извлёкся, но non-BMP смайлик 😂 (U+1F602) и флаги 🇬🇧 (U+1F1EC U+1F1E7), 🇷🇺 (U+1F1F7 U+1F1FA) потерялись при конвертации.


Код с PyPDF2, похожий на приведённый в вопросе, смог извлечь только символы в ASCII диапазоне.

3
  • Спасибо огромное за ответ !!! Но у меня возникает проблема: from pdftypes import PDFObjectNotFound ImportError: cannot import name 'PDFObjectNotFound
    – Olga
    Commented 17 нояб. 2016 в 13:11
  • @Olga: если у вас сложности с установкой pdfminer.six пакета. То задайте отдельный вопрос специально об установке именно этого пакета. Укажите явно какой командой устанавливали? (pip install pdfminer.six). Какая ОСь? Версия Питона? pdfminer.__version__? Добавьте минимальный пример кода, который к ImportError приводит (часть кода, приведённого в ответе выше) и полный traceback. Код в ответе я запускал—вы не должны получить ImportError.
    – jfs
    Commented 17 нояб. 2016 в 13:43
  • Вопрос решен ! Спасибо огромное !!!
    – Olga
    Commented 17 нояб. 2016 в 16:35

Ваш ответ

Нажимая «Отправить ответ», вы соглашаетесь с условиями пользования и подтверждаете, что прочитали политику конфиденциальности.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.