質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

90.46%

  • Python 3.x

    10312questions

    Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PYTHON writeでの文字化け解消方法

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 2,063
退会済みユーザー

退会済みユーザー

前提・実現したいこと

こんばんは。
いつもお世話になっております。
今回はpython3を使って、
読み込んだPDFからテキストを抜粋して、テキストファイルに書き出すという簡単なプログラムの作成を目指しております。

発生している問題・エラーメッセージ

生成物である'abcdefg.txt'ですが、内容がどうしても文字化けしてしまいます。下記先頭50行の表示内容です。

2ˆ





!·

/²

˘B
29

2
˙v
28
ˆ¥#'



&É

% 

5 

8€

&É

% 

5 

8€



˜v2(#Ø

#'5 8x5 

ˇC5 



˙¦ˆq-¶

該当のソースコード

import PyPDF2
pdf_file_obj = open('11.pdf', 'rb')
pdf_reader = PyPDF2.PdfFileReader(pdf_file_obj)
page_obj = pdf_reader.getPage(0)
content = page_obj.extractText()

new_obj = open('abcdefg.txt', 'w', encoding = 'utf-8')
new_obj.write(content)

new_obj.close()

試したこと

色々調べて、openの引数にencodingを追加したのですが、文字化け解消には至りませんでした。
何卒アドバイスを頂ければ幸いでございます。

補足情報(言語/FW/ツール等のバージョンなど)

python3
PyPDF2
windows8.1

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • can110

    2017/06/14 23:15

    どのような内容でしたか?

    キャンセル

  • 退会済みユーザー

    退会済みユーザー

    2017/06/14 23:29

    投稿内容を編集し直しました。ご参照下さい。

    キャンセル

  • can110

    2017/06/14 23:33

    編集ありがとうございます。回答させていただきました。

    キャンセル

回答 2

checkベストアンサー

0

Extracting text from a PDF file using Python
によると、ある意味正しい動作のようです。

上記ではsample.pdfを例として示されています。
これは一般的なPDFビューワでは
This is a sample PDF document I’m using to follow along with the tutorial
と表示されますが、PyPDF2では

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)


が取得されます。

当方の環境で以下を実行したところ、ページ情報はおそらく正しく取得でき、extractTextは上記ページと同じ結果が得られました。

import PyPDF2
pdf_reader = PyPDF2.PdfFileReader(pdf_file_obj)
page_obj = pdf_reader.getPage(0)
print(page_obj)
"""
{'/Type': '/Page', '/Parent': IndirectObject(3, 0), '/Contents': IndirectObject(4, 0), '/Resources': IndirectObject(6, 0), '/MediaBox': [0, 0, 612, 792]}
"""
content = page_obj.extractText()
print(content)
"""
!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%
"""

たしかPDFに埋め込まれている文字列!"#$%#$~は何等かのエンコードが施されており、それがそのまま取得されていると思われます。
上記の回答では、別モジュールtextractで取得するように回答されていますので、textractを利用されてはいかがでしょうか?

 補足

公式のextractText()にも以下のように記載されていました。

Locate all text drawing commands, in the order they are provided in the content stream, and extract the text. This works well for some PDF files, but poorly for others, depending on the generator used. This will be refined in the future. Do not rely on the order of text coming out of this function, as it will change if this function is made more sophisticated.

ざっくりまとめると、extractText()はPDFのテキスト描画コマンド文字列をそのまま抽出するだけで、まだまだ貧弱な機能なようです。

投稿

編集

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/06/15 00:06

    詳細にご回答頂きまことに有難うございます。
    textractのドキュメントを読んでおりますが、
    ("path/to/file.extension")
    の書き方が分からずハマっております。。
    'C:\\Users\\○○○\\Desktop\\aaa\\11.pdf'
    ではファイルが見つからないというエラーが出てしまうのですが、
    これは一体どういうことでしょうか。

    キャンセル

  • 2017/06/15 00:32

    こちらでも試してみましたが、PDFファイルではなくtextractが利用する外部ツール「pdftotext(.exe)」が見つからないというエラーです。
    単純にtextractパッケージをインストールするだけでは動作しないようです。。。

    キャンセル

  • 2017/06/15 07:37

    もろもろとご教示頂き有難うございました。
    外部ツールを利用してまで実現するべきプログラムではないかもせれませんねf(^_^;

    キャンセル

  • 2017/06/15 09:11

    Pythonでテキスト抽出するパッケージとしては「PDFMiner」というのが主流のようですね。
    これも外部ツールが必要かもしれませんが。

    キャンセル

0

encodeをutf-8じゃなくてshift_jisにしてみてください。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2017/06/14 22:28

    早速ご回答頂きまして有難うございました。
    shift_jisに変えたところ、
    UnicodeEncodeError: 'shift_jis' codec can't encode character '\u02c6' in position 9: illegal multibyte sequence
    というエラーが出てしまい、テキストファイルの生成に至りませんでした。。

    キャンセル

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 90.46%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる