1

Здравствуйте.

Воспользовался библиотекой pdfminer (pip install pdfminer.six) для извлечения русского текста из файла формата PDF.

Команда print корректно выводит вытащенный текст в терминале. Но стоит сохранить этот вытащенный текст в файл, а затем открыть этот файл для просмотра, то вместо текста отображается абракадабра ("кракозябры").

Каким образом сделать так, чтобы текст в файле также отображался корректно?

Код:

import pdfminer.high_level                       # Импортируем библиотеку распознавания PDF
text_from_pdf = open("Text__from_pdf.txt", "wb") # Создаём файл, в который запишем вытащенный из PDF текст.
with open("133_1504597676.pdf", 'rb') as file:   # Открываем pdf файл для извлечения из него текста.
    pdfminer.high_level.extract_text_to_fp(file, file_result_text_from_pdf) # Применяем библиотеку для разбора pdf
print("Распознавание завершено")                 # Выводим в терминал сообщение, что процесс распознавания завершен.
text_from_pdf.close()                            # Закрываем файл, в который записали результат распознавания.

with open("text_from_pdf.txt", "r", encoding="utf8") as file: # Открываем файл, в который помещали распознанный текст.
    file = file.read()                           # Присваиваем переменной file весь текст открытого файла.
    print(file)                                  # Выводим содержание переменной в терминал (в редакторе PyCham)

Текст выводится великолепно. Но в самом файле абракадабра:

Абракадабра вместо текста

Результат выполнения кода вида print(ascii(open"text.txt", encoding="utf-8").read())):

print (ansii(open...

Вывод в файл в виде текста:

* Только при покупке газеты (ред.). 2¹ 35, 6 ñåíòÿáðÿ 2017 ã. ÐÅÊËÀÌÍÀß ÑËÓÆÁÀ: ÒÅË. 42-69-28, 42-74-02, 46-77-81; ã. Åëèçîâî: 8 (41531) 7-53-30. ÐÅÊËÀÌÀ3¹ 35, 6 ñåíòÿáðÿ 2017 ã.ÏÓÍÊÒÛ ÏÐÈÅÌÀ ×ÀÑÒÍÛÕ ÎÁÚßÂËÅÍÈÉ: Òåë.: 424-666, 26-48-41. Ãàçåòà «ÑÐÎ×ÍÎ!» íóæíà âñåì!ÐÅÊËÀÌÀ4¹ 35, 6 ñåíòÿáðÿ 2017 ã. ÐÅÊËÀÌÍÀß ÑËÓÆÁÀ: ÒÅË. 42-69-28, 42-74-02, 46-77-81; ã. Åëèçîâî: 8 (41531) 7-53-30. ×ÀÑÒÍÛÅ ÎÁÚßÂËÅÍÈßÀÂÒÎÐÅÊËÀÌÍÀß ÑËÓÆÁÀ ÃÀÇÅÒÛ «ËÓÊÎÌÎÐÜÅ ÏËÞÑ»:42-74-02,42-69-28, 46-77-81, 42-12-42 ÏÅÐÂÓÞ Î×ÅÐÅÄÜПРОДАМ «ÊÈÀ-Áîíãî», ãðóçîâèê 2-êàáèí., 11 ã., 4ÂÄ îòêë., ïî-íèæ., ìîòîð ïðîñòîé, íà õîäó, îáìåí, ìîæíî íà ãðóçîâèê, 470 ò.ð. Òåë. 8-909-835-7184, 8-914-629-5415, WhatsApp. «Ì.-Òðèáüþò» 01 ã., 3,0, áåíç., àâò., 4ÂÄ, ÷åõëû, TV, 2 êàìåðû, USB, ñèãíàë., 340 ò.ð., îáìåí, ìîæíî íà ãðó-çîâèê. Òåë. 8-909-835-7184, 8-914-629-5415, WhatsApp. «Ò.-Êîðñà» 93 ã., 4ÂÄ, àâò., 1,5, áåíç., íà õîäó, 110 ò.ð. Òåë. 8-909-835-7184, 8-914-629-5415, WhatsApp.«Cadillac-Escalade» êëàññ ëþêñ, ÷åðí., 2005 ã., 1 ìëí. 100 ò.ð., òîðã, ëèáî îáìåí ñ äîïë. Òåë. 8-914-788-3309.«Lend Rover Freelander», 3-äâåð., ñèí., ëþê, àâò., ñèã-íàë., â õîð. ñîñò., 340 ò.ð., òîðã. Òåë. 8-929-456-4240.«Ssang Yong Actyon Sport» 10 ã., äèç., àâò., 4ÂÄ, ñ/ñ, ñåð., 500 ò.ð. Òåë. 8-914-620-2894, 8-958-886-4021.«Ssang Yong Istana» 2000 ã., ì/à, êàò. «Ä» + ç/÷, 150 ò.ð. Òåë. 483-748.«ÂÀÇ-21213» Íèâà – 2000 ã., áåëûé, êàðáþðàòîð, 5-òè ñòóïåí÷àòûé, â õîð. òåõ. ñîñò. Òåë. 8-918-016-6258.«ÃÀÇ-2410», êîëåíâàë, êîð-çèíó, êîëüöà è ò.ï. Òåë. 8-962-280-6288, 8-924-781-0994.«ÃÀÇ-69», ýêñêëþçèâ, áà-çà «Ò.-Ëåíä-Êðóçåð», äèç., V-3500, 5-ñòóï. êîðîáêà, òîðã ïðè îñìîòðå, öåíà äîãîâîð-íàÿ. Òåë. 8-984-163-7109.«ÇÈË-130», ñàìîñâàë, â íîðì. ñîñò., 280 ò.ð., òîðã. Òåë. 8-909-832-5355, 8-924-891-7691.«ÇÈË-554», êîëõîçíèê, ñà-ìîñâàë, 250 ò.ð. Òåë. 8-924-790-6688.«È.-Áèãõîðí» 1999 ãîä âû-ïóñêà, àâòîìàò, äèçåëü 3 ë. Ñðî÷íî. Òåë. 8-914-026-7561«È.-Ôîðâàðä», ôóðãîí, 92 ã., 5 ò. Òåë. 8-914-788-2330.«Èñòàíà» 2001 ã., 14 ìåñò, îòë. ñîñò. Òåë. 8-924-696-5919.«ÊÐÀÇ-260», ñ ç/÷. Òåë. 8-909-832-1777.«Ëåêñóñ- LX470» 03 ã., V- 4,7, àâò., 5 ñòóï., ïåðëàìóòð. öâ., ëèòüå, ñèãíàëèç., ëþê, 1250 ò.ð., èëè îáìåí. Òåë. 8-962-216-8008.«Ëåêñóñ-GÕ470» 2005 ã., 4,7, â îòë. ñîñò. Òåë. 8-961-965-6666.«Ëåêñóñ-RÕ350» 2007 ã., V-3,5, áåíç., îòë. òåõ. ñîñò., áåë., 950 ò.ð. Òåë. 8-961-969-6447.«Ëåíä-Ðîâåð-Ôðèëàíäåð» 2003 ã., âèøíÿ, áåíçèí, 177 ë.ñ., íå çàâîäèòñÿ, ðåìåíü ïîäâåñíîé, 300 ò.ð. òîðã. Òåë. 8-924-793-6189.«Ì.-MPV» 2000 Ã., 4 ÂÄ, ñ îòúåçäîì. Òåë. 8-914-625-2588.«Ì.-Ïðåìàñè» 2000 ã., â õî-ðîøåì ñîñòîÿíèè, 280 ò.ð., òîðã. Òåë. 8-914-624-5806.«Ì.-Òèòàí» òåðìîáóäêà 3 ì., äèçåëü, ìåõàíèêà, êàò «Ñ», ç/ï, 250 ò.ð. âîçìîæåí îáìåí. Òåë. 477-409.«ÌÀÇ» + ï/ïðèöåï ÎÄÀÇ, âà-ðèàíòû. Òåë. 8-909-833-7019.«Ìåðñåäåñ-Ãåëåíòâàãåí» 98 ã., â õîð. ñîñò., 1200 ò.ð. Òåë. 8-961-961-8989.«ÌÌÑ-Äåëèêà» 96 ã., V-2,8, àâò., 4ÂÄ, á/äîêóì., 280 ò.ð., òîðã. Òåë. 8-924-894-0774.«ÌÌÑ-Äåëèêà» 98 ã., ò/ñè-íèé

15
  • 1
    попробуйте открыть файл используя utf-8 кодировку (если верить вашему коду и вы не изменяли файл позже). Хотя картинка больше похожа на cp1251 -> cp1252 habrahabr.ru/post/147843
    – jfs
    14 окт 2017 в 6:54
  • Здравствуйте. Благодарю вас за ответ. Поясните, пожалуйста, вы предлагаете открыть файл в Python или в операционной системе? Если в Python, то как вы можете видеть в коде, эта кодировка применяется (with open("text_from_pdf.txt", "r", encoding="utf8") as file). И как и было указано в тексте вопроса, то в терминале этот текст отображается великолепно. А вот когда открываешь файл в операционной системе (например, программой "Блокнот"), то выходит абракадабра (что и видно на скриншоте). 14 окт 2017 в 18:55
  • Если вы не знаете как открыть файл в выбранной кодировке в Блокноте, то задайте отдельный вопрос специально об этом (notepad.exe это приложение, python.exe это приложение, cmd.exe это приложение)
    – jfs
    14 окт 2017 в 19:06
  • Вопрос касается именно Python, так как именно после распознавания средствами библиотеки этого языка извлекается текст из pdf и сохраняется в текстовый файл. И вот этот самый получаемый файл и показывает абракадабру. Здесь вопрос совершенно не про открытие файла с неправильной кодировкой блокнотом. А про то, почему Python записывает текст в виде абрыкадабры в этот самый файл. 14 окт 2017 в 20:03
  • какое у вас доказательство, что файл неправильный? То что блокнот файл неправильно показывает? Какую кодировку по вашему блокнот выбирает для показа? Какая кодировка по вашему у файла? Покажите результат: print(ascii(open(‘ваш.txt’, encoding=‘utf-8’).read())). Отформатируйте вопрос (если не знаете как, спрашивайте), нажмите кнопку править
    – jfs
    14 окт 2017 в 20:28

0

Ваш ответ

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

Посмотрите другие вопросы с метками или задайте свой вопрос.