py-pdf/pypdf

Ligature issue when converting PDF to text

开放

#1,351 创建于 2022年9月16日

在 GitHub 查看贡献者指南
 (6 条评论) (3 个反应) (0 位负责人)Python (1,258 个派生)batch import
help wantedis-bugworkflow-text-extraction

仓库指标

星标
 (6,413 个星标)
PR 合并指标
 (平均合并 8天) (30 天内合并 49 个 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

贡献者指南

研究方向
研究 PyPDF2 中的 PDF 文本提取代码，特别是如何处理像 'fi'、'fl'、'ff' 这样的连字字符。查看类似问题 #598 及其解决方案。提供的 PDF 中包含这些连字，它们被返回为 NULL。问题可能出在 extract text 方法中的字符映射或字体编码逻辑。
技术栈
python
领域
backend
议题类型
缺陷
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
2
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-3 小时
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
活跃
清晰度议题是否清楚说明期望改动、验收标准和下一步。
清晰
前置要求
PythonGit
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
70