Извлечение текста, написанного на хинди, из pdf в python

Я попробовал следующее в вашем PDF-файле, и, похоже, он извлекает много текста, я предполагаю, что он может быть не в лучшем макете, но я не могу сказать.

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)

    with open(path, 'rb') as fp:
        interpreter = PDFPageInterpreter(rsrcmgr, device)
        password = ""
        caching = True
        pagenos = set()

        for page in PDFPage.get_pages(fp, pagenos, password=password,caching=caching, check_extractable=True):
            interpreter.process_page(page)

        text = retstr.getvalue()

    device.close()
    retstr.close()
    return text

print convert_pdf_to_txt("Electoral roll - Faizabad.pdf")

Он отображается как utf-8, поэтому вы должны убедиться, что ваша консоль вывода способна отображать его.

Например:

भभग ससखखभककल मतदभतभ 11 1.रजजरभ आसशशकपपथममक ववददपलद रजजरप - सपमपनद779 420 359 0 779ननरभरचक नभमभरलल 2014 0S24उततर पददशवरधभन सभभ कदत कक ससखखभ ,नभम र आरकण सससनत:ललक सभभ कदत कक ससखखभ ,नभम र आरकण सससनत: 1 . पकनरलकण कभ वरररणपकनरलकण कभ ररर : 2014अहतभर कक नतथस: 01.01.2014पकनरलकण कभ सररप: ससककपत पकनरलकणपकभशन कक नतथस: 01.10.2013पकनरमकदण कक नतथस : 15.03.2014

Чтобы определить список используемых шрифтов, вы можете просто загрузить PDF-файл в программу чтения PDF-файлов, например Adobe Reader или Foxit Reader, и выбрать Properties в меню «Файл». Отсюда вы сможете выбрать Fonts. Когда я попробовал это с Foxit Reader, он отобразил следующие шрифты:

Mangal-Bold
Arial
Mangal
Arial Bold
Times-New-Roman-Bold