@AlexMine
Учусь

Возможно ли получить русские символы из pdf?

Возможно ли получить русские символы из pdf, использую такой код:
import pdfminer.high_level

with open('1.txt', 'w', encoding='utf8') as out_file:
    with open('1.pdf', 'rb') as file:
        pdfminer.high_level.extract_text_to_fp(file, out_file)


В файле получаю такой текст:
Текст
flpunoxenue J,,M .K r{3BerqeHrrro o [poBeAeHr,[r 3anpocaKornpoBoK n e:rerrponnofi 1|oplre cpe4ucy6texTon MaJroro u cpeAHeroupeArrpuErrMaTeJrbcTBaYrnepxqarc019r.OE 2,rZ7 "Texuuqecrcoe 3ananue J\b332-089-19Ha MexaHuqecxyrc o6pa6orrcy1. Hauueuoranrre roBapa (pa6orrr, yc.nyrn): Mexamrvecrcar o6pa6orra:lllnunrra M18x 69x45.23 IOCT 22033-76Illnumr<a Ml8x 69x50.23 IOCT 22033-76IIIrlrQr 8x22 IOCT 24296-93faftr<a uaKlr.urar lz-lzAlOCT 13957 -7 4fafira naxrAsar 16-12A fOCT 13957 -7 4llareu TH064-00.0032. Ko.rnqecrro (o6rdu):lllnrurrra Ml8x6g"45.23|OCT 22033-76 - 40 un.Illnunrra M18x69x50.23IOCT 22033-76 - 120 utr.lllrrr(fr 8x22 IOCT 24296-93 - 50 Itrr.fa"ftra narur4rar l2-l2A IOCT 13957 -7 4 - 20 mr.faftxa narumrag 16-124 |OCT 13957 -74 - 30 urr.Ilareq TH064-00.003 - 10 trt.3. (Dynxquona,'rbuble xapaKreprlcrrrnr!: Kpen€x.4. Texuflqecxue xaparTepucrxrli:HautrrenosaHrleMarepuar 3aroroBor rrepeAaBaeMbrx3axas.ruxoM IIcrroJrHrrreJrnlllnunrra Ml8x 6s.x45.23 |OCT 22033-76t4xt7H2 focr 5949-75Illnr.rmra M 1 8 x 69x50 .23 IOCT 22033-7 614Xr7H2 |OCT 5949-75llhubr 8 x22 | O CT 2429 6 -93Cra;rr 45 |OCT 1050-88faftra naxulnas 12-l2A |OCT 13957 -7 414X17I12 fOCT 5949-75faftra naxrAnas 16-12A fOCT 13957'7 4t4xtTH2rocr s949-75IIareu TH064-00.00340x focT 4543-71Teprrloo6pa6oma 3aroroBoK Brmorntercc cunaltu AO <<Typ6onacoc>. .5. Ka.recrneunue xaparTeprrcrrrxlr:- CranAaprnue Aera!'rrr B coorBercrswr c |OCT 22033-76,IOCT 24296-93,IOCT 13957 -7 4;- fla,reu TH064-00.003: flpe4emt repoxoBarocrlt aeranefi or ./FZTF' ao VRdT3, npeaenKBaJrr4reroB pa3Mepon - h13-H14, f9.6. Tpe6onanun K 6eonacHocr[: B coorBErcrBun c o6rqulruT pe6osaHl,Ifiul,I 6eonacnocru.7. Tpe6ooauur K pa3MepaM ToBapa:- Pasueprr roroBbD( crrurAaprHlrx AerarlEi cornacuo |OCT 22033-7 6,IOCT 24296-91 |OCT 13957-74;- Parrrleptr roroBbrx Aeraneii flaneq TH064-00.003 ,qonxnrr coorBercrBoBarr rpe6onaur.rrrr.rKoHcrp).KropcKofi .qoryvrenraquu, ra6apnrnue pa3Mephr cornacHo ecrusy (flpuloxenne).8. Tpe$orauur K orrpy3Ke roBapa: Orrpyara roBapa AoJIxHa noJlnocrlro o6ecnequnarr3arqr.rry or BHelrrwx tfusuuecrux tfarropon ao:4eficrnue na 4eranu.9. Tpe6orauur K yrraKoBKe roBapa: .{eraru 4orxnu 6rrrr ynaronaubl B LIHAI,IBtIAyuurbHyroyrraxoBKy, KOTOpaJT npeAoxparuIeT OT 3aCOpeHI,It, MexaHI{qecKI{x noBpexAeHlrfi, a TaKxenpeAorBparqaer ro:4eftcrnue Ira Aeranfi (faxropon orpyxarorqefi cpeAm10. Tpe6orauuff K p$yJr6Tararr pa6orr.r: foronrre Aeran[ Aon)I(Hbr coorBercrBoBarbrpe6oran1rxra crarr.qaproB (|OCT, OCT), Koncrp)'KropcKoft Aor)'rteHraqrEu u 6ylYr ucnoJrb3oBaflrl Bco6crreunorrr rrpor{3Bo.qcrBe 3aragq.rra. forosue AeTaJILI rloA;Iexar KoHTpoJIIo Lr npI{eMKe OTK sacooTBercrBr,Ie rpe6onauuru crall,qaproB I{ KoucTpyKTopcKofi AoKWeHraIIuu Gn). C rolvrnlerrou KIMoxrro o3uaxoMltrbct Ha reppllTopuu AO <Typ6ouacoc>,11. Cpor [ocraBrcrr, r$roroBJrer rfl [poryKrluu (oxarauux ycJryr, BbrrroJrlreuur pa6or)l BTeqenrre 30 (ryIa4qaru) Kanen.qapu6D( AEe[ c AaGI nepeaaru 3aroroBoK.Ilpu"roxeuue: 3crrc flaneq TH064-00.003,{uperrop uo rauecrny - uannrrfi KoHTponepHaqam,ur,rr orA. 323HaqaruHur orA. 332Hasamur.rr orA. 316O. H. KypuuuofiH. M. KouqpaquonoaA. A. 9afirunaA. IO. @part o4y'-/ l*v,,'

Хотел конвертировать с помощью selenium и какого нибудь онлайн-сервиса, но они отправляют точно такой же текст, причем перепробовал не один.
Дальше решил использовать онлайн-ридер какой нибудь и уже из html спарсить текст, но в ридере текст грузится нормально русским алфавитом, а в самом коде страницы такой же как у меня, как я понимаю дело в формате, с помощью python я выяснил, что формат текста в файле 'cp1252', пытаюсь применить decode('cp1252') точно такой же текст выходит.
Может быть у вас есть какие нибудь предложения?
  • Вопрос задан
  • 214 просмотров
Решения вопроса 1
@U235U235
Тут, похоже, только латиница.
Видимо при OCR неправильно выбран язык.
Выход - сделать OCR заново, указав правильный язык распознавания.
Ответ написан
Пригласить эксперта
Ваш ответ на вопрос

Войдите, чтобы написать ответ

Войти через центр авторизации
Похожие вопросы