时间戳

首页 > 解决方案 > 显示粘贴内容表单波斯语pdf的问题

python - 显示粘贴内容表单波斯语pdf的问题

问题描述

我有一个波斯语的 pdf 代码，但是当我尝试复制内容时，内容将显示为无意义的字母（数字除外）示例：我从我的 pdf 中复制了一些文本并将其粘贴到此处：371960012100240806356111 => '371960012100240806356111' 数字已粘贴正确的

但是当我尝试复制名称 گلچینفر 之类的内容时，它会被粘贴为 £3⁄4ÉuÅ{

我该如何解决这个问题？我想用 python 提取内容，它可以工作，但我无法正确显示名称！

pdf示例文件在这里：https ://ufile.io/qibejys1

谢谢

标签： pythonpdftextunicodeutf-8

解决方案

您可能想尝试以下步骤：

  1. 安装 Tesseract 4 或更高版本，查看官方教程
  2. 获取波斯特定模型并将其复制到本地 tessdata 文件夹
  3. 将有问题的 PDF 页面（先分页，看看pdftk工具）转换为 tiff（在 ubuntu 中，使用convert命令）
  4. 运行类似的东西tesseract -l fas image.tiff text.txt
  5. 使用选项调整您的命令，例如psm

推荐阅读