-2

基本上，我正在将 PDF 转换为文本，然后使用 Python 中的库分析和剪切部分文本。Python“剪辑”实际上并没有将文本切割成单独的文件，它只是具有用于字符串提取的开始字符和结束字符位置。例如：

the quick brown fox jumped over the lazy dog

我的 python 代码可能会通过指定 4 、 9 来“快速”删除。然后我将 C# 用于 GUI 程序并尝试采用 Python 分配的这些值，并且它可以工作......在大多数情况下。将 pdf 转换为文本文件的光学字符识别程序似乎包含一些奇怪的 UTF 字符，这将改变 C# 端的计数。

PDF-txt 转换奇数字符字符包括“fi”字符，而不是“f”和“i”字符（可能还有其他字符，它们是大文件。）现在这不是问题，除了 C# 说这是一个字符，Python（以及 Notepad++）考虑这 3 个字符位置。

C#：“fi”长度 = 1 个字符。

Python/Notepad++：“fi”长度 = 3 个字符。

由于字符数的不同，这最终给了我一个偏移剪辑。就像我在 python (linux) 中运行它并尝试输出其完美的剪辑时所说的那样，然后我将文本文件传输到 Windows 和 Notepad++ 确认它们是正确的位置。C# 实际上只是将“fi”计为一个字符，而 Notepad++ 以及 Python 出于某种原因将其计为 3 个字符。

我需要一种方法来弥合 Python 端或 C# 端的这种差异。

4

1 回答 1

1

您必须区分字符和字节。utf8 是一种字符编码，一个字符最多可以有 4 个字节。因此 notepad++ 可能显示字节位置，Python 可以在其中处理字节和字符串。在 C# 中可能已经将文件作为文本文件读取，它也会产生字符串。

要在 python 中读取字符串，请使用：

import codecs
with codecs.open(filename, encoding="utf-8") as inp:
    text = inp.read()
于 2015-07-18T12:59:55.350 回答