Как получить КИРИЛИЧЕСКИЙ текст в python3 из PDF?

Question

[domanskiy]

Не получается добиться нормального экспорта текста из PDF
Пользую библиотеку PyPDF2
С английским текстом проблем нет.
Но кириллица...
Получается так:

˛˚˛
ˇ˛˝ˇ©˚ˇ˘˛™‰˚˘”˛˙˛˚˛‘˙˘˛ˆ˚‡
˛à˛‰
’˙˛”˛˚˚˘”Ł˛
˛˚‰
˛˚˚ˇ˛‰•˘˛ˇ˛’˚‰‰˘•˛˛˚ˇ˛ˇ‰•Ł˛˘›
˛
Ł˛¨˘˚˛
˛fl˛
˛–˛
˛fl•˛

Сам код чтения:

from PyPDF2 import PdfFileReader

pdf_file = 'test.pdf'

pl = open(pdf_file, 'rb')
plread = PdfFileReader(pl)
getpage37 = plread.getPage(37)
text37 = getpage37.extractText()

print(text37.encode('utf-8').decode('utf-8'))

Пробовал разные кодировки

Comments

[Adamos]

Для начала - выкинуть encode-decode и посмотреть, что за текст библиотека реально выжала из файла.

[domanskiy]

Изначально пробовал без encode-decode
Сделал еще один простой файл тестовый PDF.
Результат:
TESTTEST˜˚˛˜
А должно быть TEST TEST ТЕСТ

[Adamos]

domanskiy, как - сделал? это сделанное - такое же, как то, что надо разбирать?
В PDF кодировка текста зависит от использованного шрифта. Криво локализованный шрифт может выдавать вот такие кракозябры вечно.

[U235U235]

С чего в решили, что в этом pdf вообще есть кирилический текст. Если взять картинку с кирилицей, из нее сделать pdf с ocr, при этом язык ocr не выбрать, то получим что-то похожее.

Answer 1

[Vindicar]

Попробуй pdfplumber, я с ним работал без проблем.

with pdfplumber.PDF(srcfile) as pdf:
	pages = [page.extract_text() for page in pdf.pages]
text = '\n'.join(pages)

Comments

[domanskiy]

Спасибо. То что нужно
Осталось победить переносы и ненужные \n

Answer 2

[Coder 1448]

Была такая задача. Спарсить pdf. Все библиотеки перепробовал - ничего не работало. Шрифт какой был в документе тоже не знал. Страницы были очень сложные по строению.

В итоге использовал pytesseract и opencv. Не идеально, не быстро, но работало.

Comments

[domanskiy]

Может текст был в "кривые" переведён? Тогда только распознованием.
Бывает, PDF для экономии места, содержит не всю таблицу шрифта, а только те символы, которые используются. Это может вызвать некоторые проблемы, но решается через Акробат Про.

[Coder 1448]

domanskiy, формат пдф это и есть рисунок, просто картинка, это не текст.

[domanskiy]

Coder 1448, Тут вы совсем не правы. Поверьте, я с PDF файлами работаю 20+ лет... Кручусь в полиграфии.
текст может быть как набором векторных элементов, так и набором символов шрифтов (хз как правильно выразиться...ну типа как в ворде)
Вектор и текст можно сравнить как JPG и word файлы. В обоих мы например видим текст.... но есть разница

[Coder 1448]

domanskiy, Не знал... можете посоветовать библиотеки с которыми можно работать как с текстом?

[domanskiy]

Coder 1448, проблема в том, что если открыть pdf в кореле или иллюстраторе, то в случае если текст является текстом, то каждая строка часто бывает отдельным объектом.
Если текст "переведён в кривые", то тут поможет только распознование текста (экспорт в JPG и файнридер)

Короче... просто взять и внести правки не получится даже в этом случае

А так.
PDF может содержать скрипты, анимацию, аудио... 3Д объекты и т.д. Есть интерактивные PDF книги и журналы.
Я как-то менсхелз покупал в электронном виде т.к. там были видеовставки с упражнениями. Электронная версия журнала стоила дороже печатного