使用pdfminer将pdf文件转换为文本时出现奇怪的字符

问题描述

我使用pdfminer翻译了一个pdf文件，并且意识到在几种情况下，我发现一个奇怪的非ascii 'fi'代替了'fi'。

解决这个问题的简单方法似乎是

 content=re.sub('fi','fi',content)

但是，我只能纠正问题，因为我注意到了它，值得一提的是，很难注意到它。我只注意，因为我正在用乳胶编写报告，关于由于Spacy向“强化”（带有此字符）提供的错误分类，我的代码正在执行的错误。在这一刻，我意识到dvi文件（乳胶语言的输出）失败了。当我检查它时，我意识到这两个字符“ fi”已被其他东西代替。

这似乎是一种pdf字体问题。

是否有这样的问题列表，我可以在任何nlp活动之前进行预测并自动解决？或者，也许是一种使用Spacy来检查给定单词是否未知的方法（我相信这个单词被强化后加上奇怪的替换对于空格来说是未知的）？还是要在翻译后的文本中查找非ASCII字符？

其中哪些解决方案有效？

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@）