py-pdf/pypdf

Ligature issue when converting PDF to text

開放

#1,351 建立於 2022年9月16日

在 GitHub 查看貢獻者指南
 (6 則留言) (3 個反應) (0 位負責人)Python (1,258 個分叉)batch import
help wantedis-bugworkflow-text-extraction

倉庫指標

星標
 (6,413 顆星)
PR 合併指標
 (平均合併 8天) (30 天內合併 49 個 PR)

描述

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

貢獻者指南

研究方向
研究 PyPDF2 中的 PDF 文字擷取程式碼，特別是像 'fi'、'fl'、'ff' 這類連字字元的處理方式。查看類似問題 #598 及其解決方案。提供的 PDF 中包含這些連字，它們被回傳為 NULL。問題可能出在 extract text 方法中的字元對應或字型編碼邏輯。
技術棧
python
領域
backend
議題類型
錯誤
難度面向新貢獻者的預計實作難度，1 表示很小改動，5 表示專家級工作。
2
預計時間有經驗貢獻者完成調查、實作、測試並準備 pull request 的粗略時間範圍。
1-3 小時
活動狀態議題目前的可參與程度：新鮮、活躍、陳舊、阻塞或等待維護者輸入。
活躍
清晰度議題是否清楚說明預期改動、驗收標準和下一步。
清晰
前置要求
PythonGit
新手友善度1-100 的估計分數，表示該議題對首次貢獻者的友善程度。
70