py-pdf/pypdf

Ligature issue when converting PDF to text

Aperta

#1351 aperta il 16 set 2022

Vedi su GitHubGuida contributor
 (6 commenti) (3 reazioni) (0 assegnatari)Python (1258 fork)batch import
help wantedis-bugworkflow-text-extraction

Metriche repository

Star
 (6413 stelle)
Metriche merge PR
 (Merge medio 8g) (49 PR mergiate in 30 g)

Descrizione

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

Guida contributor

Direzione di ricerca
Analizza il codice di estrazione del testo PDF in PyPDF2, in particolare come vengono gestiti i caratteri legatura come 'fi', 'fl', 'ff'. Esamina il problema simile #598 e la sua risoluzione. Il PDF fornito contiene queste legature che vengono restituite come NULL. Il problema probabilmente risiede nella mappatura dei caratteri o nella logica di codifica del font all'interno del metodo extract text.
Tech stack
python
Dominio
backend
Tipo issue
Bug
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
2
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-3 ore
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
PythonGit
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
70