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
starzy199036 分钟前
深入理解Scala隐式参数:上下文流转
开发语言·python·scala
wuyk5552 小时前
Spider-第16讲-线程池与竞态问题
大数据·爬虫·python·elasticsearch·搜索引擎
feixing_fx2 小时前
JavaScript 是什么:从浏览器脚本到通用编程语言
开发语言·前端·javascript·前端框架·ecmascript
惜.己3 小时前
Java结合idea简单使用Playwright
java·开发语言·自动化
利威尔xu4 小时前
PostgreSQL 索引失效 4 类:函数运算让查询全表扫描拖垮性能
开发语言·数据库·postgresql·性能优化·索引优化
ShineWinsu4 小时前
对于Qt:QSpacerItem常见属性以及方法的解析
开发语言·c++·qt·面试·系统架构·客户端·qspaceritem
ShineWinsu7 小时前
对于Qt:QGripLayout常见属性、方法以及QSizePolicy的解析
开发语言·c++·qt·面试·gui·客户端·网格
艾莉丝努力练剑7 小时前
【AI大模型接入SDK】C++的SessionManager 线程安全
java·开发语言·前端·c++·人工智能·学习·安全
kyle~8 小时前
FastAPI --- 将业务能力以 API 的形式提供给外部系统
python·fastapi·前后端
aiotto资源分享8 小时前
Python 写 JSON 文件,程序中途退出会留下什么?
java·python·json·jsondecodeerror