[求助] Python 读取电子发票 PDF 文件数据缺失

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1809 天前的主题，其中的信息可能已经有所发展或是发生改变。

我用 pdfplumber 之类的库读取文件，仅能读到一点点数据

用 pdf2image 转化成图片就是下面这样 👇

在线 PDF 转 IMG 倒是完整的数据，可是不符合使用要求

我怀疑是不是因为签名啥的，因为用 WPS 打开的时候有提示来着 👇

请问有没有解决办法？

href

PDF

读取

img

9 条回复 • 2020-07-14 12:01:39 +08:00

xiri

2020-01-14 14:38:01 +08:00 via Android

pdf 对信息自动化处理来说简直是噩梦🙃

EricInBj

2020-01-14 14:39:02 +08:00

应该有错误输出的，大概率是字体缺失？

BryceBu

2020-01-14 15:11:34 +08:00

@EricInBj 感谢我发现没解析出来的字体都是 STSong-Light

我在网上下载了这个字体然后安装，结果都是华文宋体？？？

然后再读取 PDF 结果还是缺失的

PopRain

2020-01-14 15:25:46 +08:00

我觉得是类库不支持嵌入字体

Rorysky

2020-01-14 15:26:39 +08:00

pymupdf 试试

BryceBu

2020-01-14 17:15:10 +08:00

刚刚在 Ubuntu 上试了一下，可以识别了

我下载的 STSong-light 字体文件都不能安装

看来原因还是 Windows 不支持这个字体？

huaxie1988

2020-07-09 17:54:57 +08:00

为什么我 windows 和 centos 都读不出来中文

BryceBu

2020-07-14 12:00:01 +08:00

@huaxie1988 #7 先用工具识别出 pdf 的字体，再查你的系统支不支持这个字体

aec4d

2020-07-14 12:01:39 +08:00

先用工具把 PDF 文件标准化(比如内嵌字体)，在用商业 PDF 软件尝试编辑，如果商业 PDF 软件能编辑你想要的文本，说明这个文本可以程序解析，并不是一张图片
接下来就是用这种工具 https://github.com/pdfminer/pdfminer.six 读取文本