PyPDF2 有哪些替代方法来管理 PDF 文件？ [关闭]

Question

试图阅读议会的日常工作，我发现文件被分割成许多PDF文档，无法通过浏览器简单地打开阅读，必须单独下载。我的基本想法是下载所有文档并提取所有决策的标题

以前的线程建议使用 PyPDF2。显然这在我的情况下根本不起作用。 PDF 中的字符是希腊字母，因此编码可能与它有关。最重要的是，在文档的末尾，添加了一些图片（我不感兴趣）。

PyPDF2 有没有可能解决这个问题，还是我应该去别处看看？

Answer 1

如果你只是在文本之后，似乎 PyPDF2 doesn't support CMaps 如果你尝试这样做，你会因此得到垃圾：

from PyPDF2 import PdfFileReader

with open('document.pdf', 'rb') as fd:
  pdf = PdfFileReader(fd)
  p1 = pdf.getPage(0)
  print(p1.extractText())

有一个开放的pull request 来解决这个问题。它没有被合并，但如果你想要它，你可以把它拉出来，因为它看起来很独立。