py-pdf/pypdf

Ligature issue when converting PDF to text

Ouverte

#1 351 ouverte le 16 sept. 2022

Voir sur GitHubGuide contributeur
 (6 commentaires) (3 réactions) (0 personne assignée)Python (1 258 forks)batch import
help wantedis-bugworkflow-text-extraction

Métriques du dépôt

Stars
 (6 413 étoiles)
Métriques de merge PR
 (Merge moyen 8j) (49 PRs mergées en 30 j)

Description

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

Guide contributeur

Direction de recherche
Examinez le code d'extraction de texte PDF dans PyPDF2, en particulier la façon dont les caractères ligatures comme 'fi', 'fl', 'ff' sont gérés. Consultez le problème similaire #598 et sa résolution. Le PDF fourni contient ces ligatures qui sont renvoyées comme NULL. Le problème réside probablement dans le mappage des caractères ou la logique d'encodage de police au sein de la méthode extract text.
Stack technique
python
Domaine
backend
Type d'issue
Bug
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
2
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-3 heures
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
PythonGit
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
70