pyPdf ignoruje znaki nowej linii w pliku PDF
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.