Então, eu estou tentando extrair o texto de um arquivo pdf, preciso da sua posição, largura, altura, fonte.

Eu tentei muitos, mas a solução mais útil e completa parece serPDFMinere, neste caso, mais exatamentepdf2txt.py.

Eu segui o documento e os exemplos e tentei extrair o textoLearn More do meu pdf usando este comando:

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

E a saídabuttons.xml parece assim:

<?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>

O primeiro caractere deve ser um L e 51(cid:51) não parece coincidir com qualquer um dos caracteres que eu tenho na minha sentença, sobre omesa ascii e atabela utf-8

Então, como o título diz, eu me pergunto o que é, e como usá-los(cid:51)... ?

EDITAR

Então eu descobri que em vez de pegar o caractere real que o programa escreve (cid:% d) porque ele não reconhece que é uma string unicode.

Primeiro, chame esta função para escrever o caractere:

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)

Mas oassert falhar e disparar o eventoPDFUnicodeNotDefined que é capturado e chama:

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

E é assim que eu termino com um arquivo contendo todos esses (cid:% d).

Eu sou relativamente novo em python e tento descobrir uma maneira de reconhecer esses caracteres, deve ser um não? Alguém tem alguma ideia?