PyPDF2在读取pdf时创建非字母数字字符

我正在使用 PyPDF2 要在PDF文件中读取的包。但是,当它读取PDF文件时,会出现许多原始PDF文件中不存在的非字母数字字符。

例如,我在pdf中有行;

PDF(精确复制和粘贴):

“事实证明,这一年比预期的更令人困惑。但这也让我越来越相信 大量病例为假。“”

Python(以下 this example ):

import PyPDF2
pdfFileObj = open("file.pdf","rb")
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(1)
pageObj.extractText()
>>> '˝e year has actually turned out to be more confusing than expected. 
 But it also leaves me increasingly convinced that a 
 \nsigni˜cant num˛ber of cases were false.'

我理解新行的“\n”。那很好。但为什么会有这样的角色 ˝ 和 ˜ 和 ˛ ?

我还需要用另一个论点吗 PyPDF2.PdfFileReader() 要在没有这些额外字符的情况下正确读取文件?

我知道我以后可以使用正则表达式来去除这些特殊字符,但我更喜欢在没有它们的情况下读取文件。这种情况尤其糟糕,因为有时单词的某些部分会被这些特殊字符所取代;在上面的例子中,我们看到 “The” 成为 “e” ,如果我想解析这篇文本并获得字数等,这是不好的。如果特殊字符只是出现在标点符号的位置,那就好了,但它似乎没有遵循这种逻辑-特殊字符只是出现在随机的位置。

或者,我是否可以为python 3.6使用另一个包来读取PDF文件(textract似乎只适用于python 2.x)?