PDFPlumber возвращает символы и неточный текст

Question

Я пытаюсь извлечь текст из файла PDF с помощью PDFplumber

      import pdfplumber
pdf = pdfplumber.open(r"https://www.lupin.com/pdf/financials/subsidiaries/multicare-pharmaceuticals-philippines-inc-philippines-2018.pdf")
for ps in pdf.pages:        
print(ps.extract_text(y_tolerance=20))

Однако результат, который я получаю, выглядит следующим образом. Он не набирает точный текст и не возвращает символы -

       (A WhLolUlyI POnwdMIenNapFerid ecnP nhSad Hun3ebc1Insi,aiLt d 2laAiI a0SnuPr1tdyda8P  itot eIafo mnLNrusde’pE  n2iRnSt0es H1, p o7oIl drNitn Cgs.,  B.V.) 
                    1135 Chino Roces Avenue    , Makati City, Philippines  None None None (SLATU AWPTIhENoMll yPE NOHwTISLn eIOdPF PS FuIINbNsEiAdSiNa, rCIyIN AoCfL L. PuOpiSnI HToIOldNings, B.V.) PDCTDIPRNACnrrreaueuSooeavfsferSnppudeTTehr Enae-enroofercryr tTdttnoeaotaaumaSymdntrllrb    i edrCNeAa tlneer asnuosoe tnxdrnsstslr ath e-eaee tcecAtsnequurssdtsu rre r rsiiAetptpeesyscamnts ertdseeit veiAtnesapstsbo–slesneitetssst–net No21129678t2201es                   PP                  434                 125863           21674007458  0,,,,,,,,,, 2367029366 1 26653629047825231406078 ,,,,,,,,,,, 43521581332  01450564793 M07073790873arc                  h            3                  1         P         P           323                 313732           51359221260  ,,,,,,,,,,1 1685100499 72767656537925485539399,,,,,,,,,,,446553288940724576365308101010455 SDSDTDLCENerIhqueeuoaeAaffuern dTeiNrrBc i-eroetetoiIcrot yt tneaLcau erdantsIlre    pdTrCtLltoaei aIuito atEnaxFretiblr Sthndle iiea L alnApnirbitt caaN piiiLlerbaiDatitlsaii yy elSbEiatstiabQylitlteeUimesIseTnYts  11211214                          PP            444(        134362    7907555  ,,,,,,, 146490647732044012981676,,,,,,,,968737381184639575050575)              PP      332     (    341039    5473266  ,,,,,,, 6692396 2801199  1417594  ,,,,,,, 2033441-32631380406151) 

Answer 1

Точный текст не приходит из-за большого значения. При извлечении текста pdfplumber добавляет символы новой строки, где разница между одним символом и doctop следующего больше, чем y_tolerance. Чтобы решить эту проблему, вы можете удалить параметр, как в

      for ps in pdf.pages:        
    print(ps.extract_text())

Странные символы появляются из-за штрих-кода в правом нижнем углу и маркеров в PDF. Если вы попытаетесь скопировать штрих-код на любую страницу, вы получите странные символы Unicode-эмодзи. Если они вам не нужны, их можно просто заменить.