Почему портиться текст из pdf при его конвертации?

Question

[kablihin]

Использую библиотеку PyPDF2. Написал простой конвертер из pdf просто в текст, который дальше мне необходимо обработать, но в тексте некоторые слова разделены пробелами, хотя в файле этих пробелов нет. Не понимаю почему...
Код метода

def converterPDFtoTXT(path):

    pdffileobj = open(path, 'rb')
    pdfreader = PyPDF2.PdfFileReader(pdffileobj)
    x = pdfreader.numPages
    text = ''
    for i in range(x):
        pageobj = pdfreader.getPage(i)
        text += pageobj.extractText()
    pdffileobj.close()
   
    return text

Результат

Парад оксальная природа конфиденциальности

Оригинал

Comments

[Алан Гибизов]

Видимо, так криво сделан pdf. Там могут быть спецсимволы, которые по сути пробелы, но нулевой видимой длины.

[kablihin]

Алан Гибизов, нет, это мой pdf файл, там нет никакого символа

[Алан Гибизов]

kablihin, это вы так думаете, что нет. Мы же не знаем, как конвертер работает и что туда пихает? Его задача сделать файл корректным при печати, остальные вопросы вне его компетенции. И как он внутри файла разместил данные - его внутренний вопрос.

[Viktor T2]

Простой путь:
возьмите poppler pdftotext вместо PyPDF - он сильно лучше конвертит pdf в текст
сборка для винды - https://github.com/oschwartz10612/poppler-windows
Сложный путь:
pdfminer позволяет накрутить параметры LAParams https://pdfminersix-readthedocs-io.translate.goog/...

Answer 1

[Алексей Черемисин]

Тут это... Формат PDF не совсем про текст, а про препринт!
Другими словами, сам формат хотя и содержит текст, но в нем абсолютно отсутствует разметка в виде структурного разделения фрагментов на параграфы, главы и прочие мелочи жизни. А присутствует только абсолютное или относительное позиционирование блока с атрибутами трансформации и стилями фонтов. (ну и еще всякая шелуха типа оформления и примитивов и шаблонных блоков).
Более того, один и тот же видимый фрагмент может быть представлен в виде абсолютно несвязанных последовательных блоков. В результате на печати и экране текст видится нормально, а при копировании получается каша из отдельных слов.

Как пример, в начале 2000-х некоторые производители так защищали документацию от копирования.