pdf读取内容缺失(漏字/文字丢失)问题

项目中遇到pdf文件漏字,由于文件涉密,不能展示,简单描述一下:

比如原pff中 姓名:张三

读取结果中:空白:张三

即:原文件说是银行出具的打款证明,银行内部设置了文件权限,读取不了

但是,我们发现,相同文件权限的其它文件,可以正常读取,所以,可能不是文件权限问题

然后,还是从代码开始排查

读取代码:

复制代码
def trans_pic(pdf_page_document, target_path):
    '''
    pdf_page_document: pdf_page_document = fitz.open('pdf文件路径')[页码]
    target_path: 保存的图片路径
    '''
    rotate = int(0)
    trans = fitz.Matrix(1, 1).preRotate(rotate)
    pm = pdf_page_document.getPixmap(matrix=trans, alpha=False) # 本行代码提示 warn
    pm.writePNG(target_path)

pdf_fitz = fitz.open(ocr_pdf_file_path)
trans_pic(pdf_fitz[0], page_pic_path)

用代码读取问题文件,报warn

复制代码
mupdf: zlib error: invalid distance too far back
mupdf: FT_New_Memory_Face(SOKSWQ+SimSun): SFNT font table missing

意思大概是:1:文件编码有问题 2:字体缺失

正常文件和问题文件的代码执行过程,仅此warn差别,其它无差别。

解决方向:

1:修改运行环境的字体库,代码加编码修改,但是是这个编码和字体,应该是很难改的[放弃];

2:让客户重新生成文件,需要跟银行交涉,成本大,且也不保证能解决[放弃];

3:从代码上解决。

然后,发现PyMuPDF版本较早,升级为最新版本,发现文件读取正常

复制代码
# 注意:需要安装最新版的 PyMuPDF == 1.22.5
# !pip install PyMuPDF --upgrade
import fitz
pdf_fitz = fitz.open("./识别漏字-原文件.pdf")
rotate = int(0)
trans = fitz.Matrix(1, 1).prerotate(rotate)
pdf_page_document = pdf_fitz[0]
pm = pdf_page_document.get_pixmap(matrix=trans, alpha=False)
pm.save('./12111123.PNG')

希望遇到类似问题的同学,可以先尝试升级个版本试试

相关推荐
CodeCraft Studio1 小时前
CAD文件处理控件Aspose.CAD教程:使用 Python 将绘图转换为 Photoshop
python·photoshop·cad·aspose·aspose.cad
Python×CATIA工业智造3 小时前
Frida RPC高级应用:动态模拟执行Android so文件实战指南
开发语言·python·pycharm
onceco3 小时前
领域LLM九讲——第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码)
人工智能·python·深度学习·语言模型·自然语言处理·自动化
我叫小白菜4 小时前
【Java_EE】单例模式、阻塞队列、线程池、定时器
java·开发语言
狐凄4 小时前
Python实例题:基于 Python 的简单聊天机器人
开发语言·python
weixin_446122465 小时前
JAVA内存区域划分
java·开发语言·redis
悦悦子a啊5 小时前
Python之--基本知识
开发语言·前端·python
QuantumStack6 小时前
【C++ 真题】P1104 生日
开发语言·c++·算法
whoarethenext6 小时前
使用 C++/OpenCV 和 MFCC 构建双重认证智能门禁系统
开发语言·c++·opencv·mfcc
笑稀了的野生俊7 小时前
在服务器中下载 HuggingFace 模型:终极指南
linux·服务器·python·bash·gpu算力