Próbuję wyodrębnić każdą stronę pliku PDF jako ciąg:

import pyPdf

pages = []
pdf = pyPdf.PdfFileReader(file('g-reg-101.pdf', 'rb'))
for i in range(0, pdf.getNumPages()):
    this_page = pdf.getPage(i).extractText() + "\n"
    this_page = " ".join(this_page.replace(u"\xa0", " ").strip().split())
    pages.append(this_page.encode("ascii", "xmlcharrefreplace"))
for page in pages:
    print '*' * 80
    print page

Ale ten skrypt ignoruje znaki nowej linii, pozostawiając mnie z chaotycznymi łańcuchamiinformation concerning an individual which, because of name, identifyingnumber, mark or description (tj. powinno to być przeczytaneidentifying number, nieidentifyingumber).

Oto przykład typu pliku PDF, który próbuję przeanalizować.