Как получить читаемый русский текст при парсинге PDF c помощью tabula-py?

Question

[malvin]

Виндоус 7 32.
Все русские буквы в сохраненном файле заменены ?????

import tabula


tabula.convert_into(r"C:\Code\Active\kartoteka\misc\ExampleExtract.pdf", r"C:\Code\Active\kartoteka\misc\output.csv", output_format="csv",pages = "all",java_options="-Dfile.encoding=utl-8")

Разработчик рекомендует такое решение -

I got ? character with result on Windows. How can I avoid it?
If the encoding of PDF is UTF-8, you should set chcp 65001 on your terminal before launching a Python process.

chcp 65001

Запустил команду в смд - тот же результат.

Comments

[Moskus]

А в какой кодировке PDF?

[malvin]

Moskus
Где посмотреть?
Все, что вижу в коде это вот это -
<meta charset="utf-8">

[Moskus]

malvin, в коде чего вы это видите?
Нужно открыть сам PDF и посмотреть на текстовые данные. Потому что, строго говоря, PDF может содержать текст в условной (случайной) кодировке, так как задача формата, в общем случае - хранить не текст, а изображение текста.

[malvin]

@Moskus

[Moskus]

malvin, ну и зачем вам смотреть на HTML, который вы сами сгенерировали? Вам кодировка исходного PDF нужна, чтобы определить, что с ним делать.