在Python中从pdf文件中读取和提取文本时单词之间没有空格？

社区成员您好，

我想从一本以 .pdf 作为文件扩展名的电子书中提取所有文本。我才知道python有一个包PyPDF2采取必要的行动。不知何故，我尝试过并能够提取文本，但它会导致提取的单词之间的空间不适当，有时结果是 2-3 个单词合并的结果。

此外，我想提取从第 3 页开始的文本，因为初始页面涉及封面页和前言。另外，我不想包含最后 5 页，因为它包含术语表和索引。

是否存在其他方法来读取没有加密的 .pdf 二进制文件？

到目前为止我尝试过的代码片段如下。

import PyPDF2
def Read():
    pdfFileObj = open('book1.pdf','rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    #discerning the number of pages will allow us to parse through all #the pages
    num_pages = pdfReader.numPages
    count = 0
    global text
    text = []
    while(count < num_pages):
         pageObj = pdfReader.getPage(count)
         count +=1
         text += pageObj.extractText().split()
         print(text)
 Read()

这是一个可能的解决方案：

import PyPDF2

def Read(startPage, endPage):
    global text
    text = []
    cleanText = ""
    pdfFileObj = open('myTest2.pdf', 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    while startPage <= endPage:
        pageObj = pdfReader.getPage(startPage)
        text += pageObj.extractText()
        startPage += 1
    pdfFileObj.close()
    for myWord in text:
        if myWord != '\n':
            cleanText += myWord
    text = cleanText.split()
    print(text)

Read(0,0)

Read() 参数 --> Read(要读取的第一页，要读取的最后一页)

Note:读取第一页是从 0 开始，而不是从 1 开始（例如在数组中）。