Mengapa Pengekstrakan Teks PDF Python Saya Menghasilkan Output Bercelaru, dan Bagaimana Saya Boleh Membetulkannya?

Mengekstrak Teks PDF dengan Python: Menyelesaikan Masalah Ketidaksamaan Output

Apabila cuba mengekstrak teks daripada fail PDF menggunakan perpustakaan PyPDF2 Python, ia ditemui bahawa output berbeza daripada teks dalam dokumen PDF. Khususnya, output diherotkan dan termasuk aksara yang tidak boleh dibaca.

Untuk mengekstrak teks PDF dengan berkesan, adalah disyorkan untuk menggunakan pakej Tika. Tidak seperti PyPDF2, ia menyokong pengekstrakan teks PDF sambil mengekalkan pemformatan asal.

Begini cara anda boleh menggunakan Tika untuk mengekstrak teks:

from tika import parser # pip install tika

raw = parser.from_file('sample.pdf')
print(raw['content'])

Perhatikan bahawa Tika bergantung pada masa jalan Java, yang mesti dipasang sebelum menggunakannya dengan Python.

Atas ialah kandungan terperinci Mengapa Pengekstrakan Teks PDF Python Saya Menghasilkan Output Bercelaru, dan Bagaimana Saya Boleh Membetulkannya?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!