我有一个Python脚本，可以使用PDFminer从pdf文档中读取文本，如下所示：
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
file_pointer = file(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
for page in PDFPage.get_pages(file_pointer, pagenos, maxpages=maxpages, password=password, caching=caching, check_extractable=True):
interpreter.process_page(page)
file_pointer.close()
device.close()
str = retstr.getvalue()
retstr.close()
return str
当打印此字符串str时，该文本显示出来，这似乎很好用。但是，在仔细检查后，有许多字符双打（即“ ff”，“ fi”，“ fl”和“ ff”）在浏览生成的文本时变成“！”。
经过一番研究，我发现这些字符都具有“连字”，这意味着可以用两个字符的合并版本来替换它们。
这些连字显然无法在ASCII中找到，但我发现它们可以通过unicode表示。
我开始尝试使用不同的字符编码，以使文本中的“！”变成正确的连字，但是我没有成功。
也许这与我的PDF文件或PDFminer本身有关？
最佳答案
因此，我最终通过电子邮件将PDFMiner的创建者Shinyama Yusuke寄给了我。我在下面总结了他的答复。
有问题的PDF使用特殊字体进行连字。
诸如“ fi”，“ ff”或“ fl”之类的字母有时在英语字体中经过特殊处理，并且通常将它们组合成一个字形，以使其外观更好。
所讨论的PDF正是这样做的，并使用“！”作为组合字母，当以该专用字体呈现时，它看起来像是“ fi”或“ ff”。
由于PDFMiner没有该信息，因此它总是尝试提取
文档中的文字文本。
据Shinyama博士说，除了将所有内容都放入OCR软件之外，没有很好的解决方案。
我没有时间实施OCR，因此我写了一个非常简单的拼写检查器。拼写检查器贯穿我的文本，查找带有“！”的单词（使用正则表达式），然后将它们与已知带有连字的单词列表进行比较。
据Shinyamas博士说，世界上仍然有许多这样的PDF，将PDF转换为文本总是以“尽力而为”的结果。
关于python - 在python中使用pdfminer处理连字，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/23750863/