小编Nik*_*wal的帖子

如何读取亚洲语言(中文、日语、泰语等)的PDF文件并将其存储在python中的字符串中

我正在使用 PyPDF2 在 python 中读取 PDF 文件。虽然它适用于英语和欧洲语言(带有英语字母表),但该图书馆无法阅读日语和中文等亚洲语言。我尝试过encode('utf-8'),decode('utf-8')但似乎没有任何效果。它只是在提取文本时打印一个空白字符串。

我尝试过其他库,如 texttract 和 PDFMiner,但尚未成功。

当我从 PDF 复制文本并将其粘贴到笔记本上时,字符会变成某种随机格式文本(可能采用不同的编码)。

def convert_pdf_to_text(filename):
    text = ''
    pdf = PyPDF2.PdfFileReader(open(filename, "rb"))
    if pdf.isEncrypted:
        pdf.decrypt('')
    for page in pdf.pages:
        text = text + page.extractText()
    return text
Run Code Online (Sandbox Code Playgroud)

有人能指出我正确的方向吗?

python unicode nlp text-extraction pdf-reader

4
推荐指数
1
解决办法
8383
查看次数

标签 统计

nlp ×1

pdf-reader ×1

python ×1

text-extraction ×1

unicode ×1