py-pdf/pypdf

Ligature issue when converting PDF to text

Aberta

#1.351 aberto em 16 de set. de 2022

Ver no GitHubGuia do colaborador
 (6 comentários) (3 reações) (0 responsável)Python (1.258 forks)batch import
help wantedis-bugworkflow-text-extraction

Métricas do repositório

Stars
 (6.413 estrelas)
Métricas de merge de PR
 (Mesclagem média 8d) (49 fundiu PRs em 30d)

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

Guia do colaborador

Direção de pesquisa
Investigue o código de extração de texto PDF no PyPDF2, particularmente como caracteres de ligadura como 'fi', 'fl', 'ff' são tratados. Veja o problema semelhante #598 e sua resolução. O PDF fornecido contém essas ligaduras que são retornadas como NULL. O problema provavelmente está no mapeamento de caracteres ou na lógica de codificação de fonte dentro do método extract text.
Pilha de tecnologia
python
Domain
backend
Tipo Issue
Bug
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
2
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
1-3 horas
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
Ativo
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
Claro
Prerequisites
PythonGit
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
70