如何解码LTTextLine.get\u文本()?

Question

我对PDFminer不熟悉。我注意到在使用PDFminer get_text（）命令时，有些符号/标点符号不是以文本形式输出的。例如，“-”显示为“\xe2\x80\x93”，单引号显示为“\xe2\x80\x99”。以下是我使用的命令：

打印(LTTextLine.get\u文本（）.encode（'UTF-8'））

有人能帮我理解如何读这些，并把它转换成文字形式吗？你知道吗

谢谢。你知道吗

Answer 1

您不喜欢的十六进制转义不是连字符（ascii39）和单引号（ascii45）。它们是排版连字符（又称破折号）–（Unicode 2010）和右单引号’（Unicode 2019）。它们被编码为UTF-8。如果要对它们进行解码，请将包含它们的字符串视为字节，而不是字符串（请注意b前缀）：

>>> mystring = b"This is an en\xe2\x80\x93dash and this - isn\xe2\x80\x99t"
>>> mystring.decode('UTF8')
'This is an en–dash and this - isn’t'

如果Python认为数据已经是一个字符串，如下所示，没有b前缀，那么您需要让它相信它确实是字节，并对结果进行解码：

>>> mystring = "This is an en\xe2\x80\x93dash and this - isn\xe2\x80\x99t"
>>> bytes(mystring.encode("latin-1")).decode("UTF-8")
'This is an en–dash and this - isn’t'

在所使用的字体中，ascii39和Unicode 2010之间没有太大的明显区别，但一般来说，排版连字符比ASCII连字符短、粗，更接近基线。另外两个之间的区别在法律上是相当清楚的 isn’t'。在.pdf文件中找到Unicode变体是很常见的，因为它们是用来打印的。ASCII变体实际上只适用于程序代码和旧打字机的模拟，而不适用于印刷书籍和杂志。你知道吗