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:
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
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
# 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