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?