Поэтому я пытаюсь извлечь текст из файла PDF, мне нужно его положение, ширина, высота, шрифт.

Я пробовал много, но самое полезное и полное решение выглядитPDFMinerи в этом случае, точнееpdf2txt.py.

Я следовал документам и примерам и пытался извлечь текстLearn More из моего PDF с помощью этой команды:

pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf

И выходbuttons.xml выглядит так:

<?xml version="1.0" encoding="utf-8" ?>
  <pages>
      <page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
      <textbox id="0" bbox="164.979,213.240,247.680,235.944">
          <textline bbox="164.979,213.240,247.680,235.944">
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
              <text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
              <text></text>
          </textline>
          </textbox>
          <textgroup bbox="164.979,213.240,419.659,235.944">
              <textbox id="0" bbox="164.979,213.240,247.680,235.944" />
          </textgroup>
      </page>
  </pages>

Первый символ должен быть L и 51(cid:51) кажется, не соответствует ни одному из символов, которые я имею в моем предложении, относительнотаблица ASCII иUTF-8 стол

Итак, как говорится в заголовке, мне интересно, что это такое и как их использовать(cid:51)... ?

РЕДАКТИРОВАТЬ

Поэтому я обнаружил, что вместо получения реального символа программа пишет (cid:% d), потому что он не распознает, что это строка в кодировке Unicode.

Сначала она вызывает эту функцию, чтобы написать символ:

def render_char(self, matrix, font, fontsize, scaling, rise, cid):
    try:
        text = font.to_unichr(cid)
        assert isinstance(text, unicode), text
    except PDFUnicodeNotDefined:
        text = self.handle_undefined_char(font, cid)

Ноassert провалить событиеPDFUnicodeNotDefined который пойман и звонит:

def handle_undefined_char(self, font, cid):
    if self.debug:
        print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
    return '(cid:%d)' % cid

И вот как я заканчиваю файл, содержащий все это (cid:% d).

Я довольно новичок в python и пытаюсь найти способ распознать эти символы, это должно быть одно нет? У кого-нибудь есть идеи?