代码之家 › 专栏 › 技术社区 › manofone

Adobe Acrobat/Python PDF输出各不相同

pdfminer apache-tika pdfbox adobe python-3.x

manofone · 技术社区 · 8 年前

我注意到,当我使用OCR将扫描的PDF文档转换为文本时,在本例中是Adobe Acrobat Pro,根据我提取数据的方式,我会得到非常不同的输出。

在上面的照片中,你可以看到一张PDF文件,它已经被OCR处理成了质量相当好的文本。如果我在Adobe中选择它并将其复制为word或txt文档,它会粘贴得非常好。

然而,如果我使用Adobe将其导出为富文本格式,使用Python的PDFminer或Python的Apache Tika,那么我会得到上面的照片,正如您所看到的那样,这张照片完全混淆了它。两种方法的提取结果非常一致——基本上所有3种方法都以完全相同的方式将其混淆。

你们有谁知道为什么OCR的PDF可以很好地复制到文本编辑器中,但却以如此奇怪的方式提取?

非常感谢。

当做马诺

1 回复 | 直到 8 年前

manofone 8 年前

因此,最终对我起作用的是使用Apache Tika运行初始解析,然后,在少数不起作用的情况下,将它们传递给 PyPDF2 . 我的理论是,PyPDF2使用不同的解析机制,与Tika不同,它不依赖PDF的根,这似乎是一些OCR文档中损坏的部分。

不确定最初的原因,但这是我的解决方案。

推荐文章

Ayush Garg · load(url)不是一个方法

2 年前

LiefLayer · 合并两个PDF/A结果应该是一个有效的PDF/A太pdfbox

3 年前

Rosa Mystica · 使用PDFBox更改附件内容的字体颜色和字体类型

3 年前

fascinating coder · 在标记我的pdf后,屏幕上的读者会阅读一些字符而不是单词吗?

3 年前

manofone · Adobe Acrobat/Python PDF输出各不相同

8 年前

Nishith Patel · PDFBOX生成非常大的PDF/A文件

8 年前

Brad · PDFBox-如何单击PDF文件中的链接移动到另一个页面,并在其中的特定文本下划线?

8 年前

Renat Gatin · PDFBox是否可以签署所有“批准签名”,而不是始终将第一个签名作为“认证”?

8 年前

Little Helper · 了解PDFBox 2.0中字体的加载

8 年前

Arun Kumar · PDF框创建零字节PDF

8 年前