PYTHON writeでの文字化け解消方法

Question

###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

Comments

[can110]

どういう手段（テキストエディタで開くなど）でabcdefg.txtが文字化けしていると判断されましたか？

[退会済みユーザー]

ご指摘の通りテキストエディタで内容は確認しました。テキストエディタにはAtomを使用しております。

[can110]

どのような内容でしたか？

[退会済みユーザー]

投稿内容を編集し直しました。ご参照下さい。

[can110]

編集ありがとうございます。回答させていただきました。

Answer 1

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。

Comments

[退会済みユーザー]

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。

[can110]

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。。。

[退会済みユーザー]

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(^_^;

[can110]

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。

Answer 2

encodeをutf-8じゃなくてshift_jisにしてみてください。

Comments

[退会済みユーザー]

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。。