PyPDF4不读取某些字符

问题描述

我正在为项目编译一些数据，并且一直在使用PyPDF4从其源PDF文件读取此数据，但是对于某些字符无法正确显示我一直遇到麻烦。这是我的代码：

from PyPDF4 import PdfFileReader
import pandas as pd
import numpy as np
import os
import xml.etree.cElementTree as ET

# File name
pdf_path = "PV-9-2020-10-23-RCV_FR.pdf"

# Results storage
results = {}

# Start page
page = 5

# Lambda to assign Votes
serify = lambda Voters,Vote: pd.Series({Voter.strip(): Vote for Voter in Voters})

with open(pdf_path,'rb') as f:
    # Get PDF reader for PDF file f
    pdf = PdfFileReader(f)

    while page < pdf.numPages:
        # Get text of page in PDF
        text = pdf.getPage(page).extractText()

        proposal = text.split("\n+\n")[0].split("\n")[3]

        # Collect all pages relevant pages
        while text.find("\n0\n") is -1:
            page += 1
            text += "\n".join(pdf.getPage(page).extractText().split("\n")[3:])
        # Remove corrections
        text,corrections = text.split("CORRECCIOnes")
        
        # Grab relevant text !!! This is where the missing characters show up.
        text = "\n,".join([n[:n.rindex("\n")] for n in text.split("\n:")])
        for_list = "".join(text[text.index("\n+\n")+3:text.index("\n-\n")].split("\n")[:-1]).split(",")
        nay_list = "".join(text[text.index("\n-\n")+3:text.index("\n0\n")].split("\n")[:-1]).split(",")
        abs_list = "".join(text[text.index("\n0\n")+3:].split("\n")[:-1]).split(",")
        # Store data in results
        results.update({proposal: dict(pd.concat([serify(for_list,1),serify(nay_list,-1),serify(abs_list,0)]).items())})
        page += 1
        print(page)
results = pd.DataFrame(results)

我遇到困难的字符没有出现在使用extractText提取的文本中。例如，Ždanoka变成"danoka，Štefanec变成-tefanc。似乎大多数字符都是东欧的，这让我觉得我需要拉丁解码器之一。

我已经查看了PyPDF4的一些功能，似乎它具有许多相关的编解码器，包括latin1。我尝试使用PyPDF4.generic.codecs模块中不同的功能对文件进行解码，或者字符不能仍然显示，或者代码在无法识别的字节上抛出错误。

我还没有尝试在同一文件的不同字节上使用多个编解码器，这似乎需要一些时间。我在代码中缺少可以轻松解决此问题的内容吗？还是更有可能我必须使用PyPDF4的功能定制适合的解决方案？

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

pdf pypdf python