为什么我的 TKinter 程序只读取某些类型的 PDF 文件？

Question

我重新创建了此视频中制作的 PDF 阅读器程序：

https://www.youtube.com/watch?v=itRLRfuL_PQ&t=447s

我用我电脑上的一些随机 pdf 文件对其进行了测试，但程序只提取了其中几个文件的文本。为什么会这样？是程序有缺陷，是我遗漏了什么还是某些特定的pdf文件默认无法读取？

这里是完整的代码：

import tkinter as tk
import PyPDF2
from PIL import ImageTk,Image
from tkinter.filedialog import askopenfile

root = tk.Tk()

root.geometry('+%d+%d'%(975,150))

canvas = tk.Canvas(root, width=600, height=300)
canvas.grid(columnspan=3, rowspan=3)

logo = Image.open("tkinterResources/logo.png")
logo = ImageTk.PhotoImage(logo)
logo_label = tk.Label(image=logo)
logo_label.image = logo

logo_label.grid(row=0, column=1)

instructions = tk.Label(root, text="Select a PDF file on yo ur computer to extract all its text", font="Raleway")
instructions.grid(row=1, column=0, columnspan=3)

def open_file():
    browse_text.set("loading...")
    file = askopenfile(parent=root, mode="rb", title="Choose a file", filetype=[("Pdf file", "*.pdf")])
    if file:
        read_pdf = PyPDF2.PdfFileReader(file)
        page = read_pdf.getPage(0)
        page_content = page.extractText()

        text_box = tk.Text(root, height=10, width=50, padx=15, pady=15)
        text_box.insert(1.0, page_content)
        text_box.tag_configure("center", justify="center")    
        text_box.tag_add("center", 1.0, "end")
        text_box.grid(row=3, column=1)

        browse_text.set("Browse")

browse_text = tk.StringVar()
browse_btn = tk.Button(root, textvariable = browse_text, 
font="Raleway", bg="#20bebe", fg="white", height=2, width=15, 
command=open_file)
browse_text.set("Browse")
browse_btn.grid(row=2, column=1)

canvas = tk.Canvas(root, width=600, height=250)
canvas.grid(columnspan=3)

root.mainloop()

我还使用 OpenOffice 创建了自己的 pdf 文件，其中只有一行文本，但即使这样似乎也不起作用。

Answer 1

我建议使用 pypi 包textract，它以更好的方式完成所有这些工作。请看我的回答here 一个非常简单的例子。它的工作原理与声称的一样：“从任何文档中提取文本。没有麻烦。没有大惊小怪。”

完整性示例。

如果您想在示例中使用 tesseract 方法，请务必安装 tesseractocr。

import textract
text = textract.process("test.pdf", method='tesseract')
print(text)
with open('textract-results.txt', 'w+') as f:
    f.write(str(text))