py-pdf/pypdf

Ligature issue when converting PDF to text

Offen

#1.351 geöffnet am 16.09.2022

Auf GitHub ansehenContributor Guide
 (6 Kommentare) (3 Reaktionen) (0 zugewiesene Personen)Python (1.258 Forks)batch import
help wantedis-bugworkflow-text-extraction

Repository-Metriken

Stars
 (6.413 Sterne)
PR-Merge-Metriken
 (Durchschn. Merge 8T) (49 gemergte PRs in 30 T)

Beschreibung

I am having a ligature issue with this PDF. 'fi', 'fl' and 'ff' characters are returning NULL

#598 is similar to this issue.

MVCE: Code + PDF

from PyPDF2 import PdfReader

reader = PdfReader("Inspection_redacted.pdf")
for page in reader.pages:
    print(page.extract_text())

PDF

Contributor Guide

Research-Richtung
Untersuchen Sie den PDF Text Extraktionscode in PyPDF2, insbesondere wie Ligatur Zeichen wie 'fi', 'fl', 'ff' behandelt werden. Sehen Sie sich ähnliches Issue #598 und dessen Lösung an. Das bereitgestellte PDF enthält diese Ligaturen, die als NULL zurückgegeben werden. Das Problem liegt wahrscheinlich in der Zeichenzuordnung oder der Schriftart Codierungslogik innerhalb der extract text Methode.
Tech Stack
python
Domain
backend
Issue Type
Fehler
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
2
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-3 Stunden
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Klar
Voraussetzungen
PythonGit
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
70