Python-将pdf转换为文本，编码

Question

我试图将pdf文档转换为txt文件。 （pdf文件示例link）

所以我试了一下。 但是提取的文本很奇怪，就像??챘#?遏?h첨챦_철?‾n?~w??¬?k 我怎样才能修好它？

#!/usr/bin/python
# -*- coding: cp949 -*-
# -*- coding: utf-8 -*-
# -*- coding: latin-1 -*-
# -*- coding: euc-kr -*-

import codecs
import pyPdf
filename = "d:/data/processed_data/paper/iscram/2006/iscram1.pdf"
#pdf = codecs.open(filename, "rb", encoding = 'utf-8') 
pdf = codecs.open(filename, "rb", encoding = 'latin1')
for page in pdf:
    print page.encode('utf-8')

我用的是win7-64位韩文版本。

我尝试了另一种方法，使用pyPdf，如下所示

import os
import glob
from pyPdf import PdfFileReader
import pdfminer

f=open("d:/data/processed_data/paper/iscram/2006/iscram1.txt",'w')
parent = "d:/data/processed_data/paper/iscram/2006"
os.chdir(parent)
filename = os.path.abspath('iscram1.pdf')

input = PdfFileReader(file(filename, "rb"))
for page in input.pages:
    f.write(page.extractText())

但它不起作用，出现“ascii”编解码器无法对位置602中的字符u'\u0152'进行编码：序号不在范围（128）内的错误

Answer 1

以前的代码根本不能工作，PDF根本不一定包含直接可读的文本。不过，使用pyPdf的后一个代码看起来更有希望。

之所以引发^{}，是因为pages in PDF（Thepage）不是字符串，但f.write希望看到字符串。

因此，您可以尝试使用文档中的extractText方法：

for page in input.pages:
    f.write(page.extractText().encode('UTF-8'))