py-pdf/pypdf

can not decode afii characters (ISO 10036)

Aberta

#1.381 aberto em 5 de out. de 2022

Ver no GitHubGuia do colaborador
 (1 comentário) (0 reação) (0 responsável)Python (1.258 forks)batch import
help wantedworkflow-arabic-text-extraction

Métricas do repositório

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

Description

extracted from #1379 PS : in the extraction result, the arabic characters are replaced with /afiinnnn. this is because the data uses the iso 10036 standard that I've not been able to find any free information on how to do transcoding file 02voc.pdf test code:

import PyPDF2;
PyPDF2.PdfReader("e:/02voc.pdf").pages[2].extract_text()

Originally posted by @pubpub-zz in https://github.com/py-pdf/PyPDF2/issues/1379#issuecomment-1268897035

Guia do colaborador

Direção de pesquisa
Investigue a codificação ISO 10036 e mapeie os códigos de caracteres afii para Unicode. Consulte a especificação PDF para codificação de caracteres.
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.
3
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
Meio dia
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
Recente
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
Precisa de investigação
Prerequisites
PythonPDF
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
40