Question

我需要阅读this PDF。

我使用以下代码：

from PyPDF2 import PdfFileReader

f = open('myfile.pdf', 'rb')
reader = PdfFileReader(f)
content = reader.getPage(0).extractText()
f.close()
content = ' '.join(content.replace('\xa0', ' ').strip().split())

print(content)

但是，编码不正确，它打印：

Resultado da Prova de Sele“‰o do...

但我期待

Resultado da Prova de Seleção do...

如何解决？

我正在使用Python 3

Answer 1

PyPDF2 extractTest method返回UniCode。所以你需要对它进行明确的编码。例如，将Unicode显式编码为UTF-8。

# -*- coding: utf-8 -*-
correct = u'Resultado da Prova de Seleção do...'
print(correct.encode(encoding='utf-8'))

您使用的是Python 3，因此您可以使用Unicode，而Python 3默认使用UTF-8。但我想知道您是否需要根据locale指定不同的编码。

# Show installed locales
import locale
from pprint import pprint
pprint(locale.locale_alias)

如果这不是快速修复，因为您从PyPDF获取了Unicode，您可以查看这两个字符的代码点。 PyPDF可能无法确定正确的编码并为您提供错误的字符。

例如，对您发布的好字符串和坏字符串进行快速而肮脏的比较：

# -*- coding: utf-8 -*-
# Python 3.4
incorrect = 'Resultado da Prova de Sele“‰o do'
correct = 'Resultado da Prova de Seleção do...'

print("Incorrect String")
print("CHAR{}UNI".format(' ' * 20))
print("-" * 50)
for char in incorrect:
    print(
        '{}{}{}'.format(
            char.encode(encoding='utf-8'),
            ' ' * 20,  # Hack; Byte objects don't have __format__
            ord(char)
        )
    )

print("\n" * 2)

print("Correct String")
print("CHAR{}UNI".format(' ' * 20))
print("-" * 50)
for char in correct:
    print(
        '{}{}{}'.format(
            char.encode(encoding='utf-8'),
            ' ' * 20,  # Hack; Byte objects don't have __format__
            ord(char)
        )
    )

阅读PDF

2 个答案: