Я пытаюсь извлечь каждую страницу PDF-файла в виде строки:
import pyPdf
pages = []
pdf = pyPdf.PdfFileReader(file('g-reg-101.pdf', 'rb'))
for i in range(0, pdf.getNumPages()):
this_page = pdf.getPage(i).extractText() + "\n"
this_page = " ".join(this_page.replace(u"\xa0", " ").strip().split())
pages.append(this_page.encode("ascii", "xmlcharrefreplace"))
for page in pages:
print '*' * 80
print page
Но этот скрипт игнорирует символы новой строки , оставив меня с беспорядочными строками, такими как информация о человеке, которая из-за имени, идентификационного номера, знака или описания
(т. е. это должно читаться как идентификационный номер
, а не идентификационный номер
. ] ).
Вот примертипа PDF, который я пытаюсь разобрать.