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
    9 ноя 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
    9 ноя 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
    9 ноя 2016 в 12:27
  • Выдает ошибку :AttributeError: 'str' object has no attribute 'decode'
    – Olga
    9 ноя 2016 в 13:00
  • @A1essandro, тестировал этой же библиотекой и extractText вернул текст, но только ascii, кириллица в нем отсутствовала
    – gil9red
    10 ноя 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
    17 ноя 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
    17 ноя 2016 в 13:43
  • Вопрос решен ! Спасибо огромное !!!
    – Olga
    17 ноя 2016 в 16:35

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

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