Python未能提取PDF文本

Question

我有两个来自相同来源的格式相同的pdf报告，唯一的区别是报告日期 - 一个是2016年，另一个是2015年。下面是如何获得pdf的：

1. 转到https://www.ffiec.gov/nicpubweb/nicweb/InstitutionProfile.aspx?parID_Rssd=1039502&parDT_END=99991231
2. 选择二零一六年六月三十日，然后点击创建报告旁边，从上面的第四次报告（即银行机构系统性风险报告（FR Y型15））
3. 点击您的要求为财务报告准备好并下载打开的pdf
4. 重复步骤1-3，但在步骤2中选择2015-12-31

这两个pdf文件是JP Morgan的监管文件。我想要的信息是蓝色的数字，可以通过左边的键唯一标识。例如，第2页的第一个订单项 - a。衍生工具合约的当前风险 - 可以由M337唯一标识。

这里就是我试图让数字：

1. 我开启了PDF文件在记事本++和Ctrl-F为“M337”。对于2016年的pdf，字符串在那里，相应的数字并不遥远。 2015年PDF，然而，无论是字符串，也非数可以发现

2. 我打开PDF格式在Python作为二进制文件

   with open('2016.pdf', 'rb') as handle: pdf_str = handle.read()

   和pdf_str搜索M337。该字符串可以在2016.pdf中找到，但不能在2015.pdf

3. 我试过使用Adobe Acrobat的另存为其他功能来保存PDF的txt文件并得到了相同的结果 - 该字符串在2016.txt中，但没有在2015.txt

有人知道发生了什么吗？

Answer 1

我能找到下载的文本文件中使用pdftotext密钥字符串和关联的值，看我下面的过程：

$ pdftotext FRY15_1039502_20151231.PDF 
$ grep -C 10 'M337' FRY15_1039502_20151231.txt 
b. Regulatory adjustments........................................................................................ 
4. Other off-balance sheet exposures: 
a. Gross notional amount of items subject to a 0% credit conversion factor (CCF) ............... 
b. Gross notional amount of items subject to a 20% CCF................................................ 
c. Gross notional amount of items subject to a 50% CCF................................................ 
d. Gross notional amount of items subject to a 100% CCF .............................................. 
e. Credit exposure equivalent of other off-balance sheet items (sum of 0.1 times item 4.a, 
0.2 times item 4.b, 0.5 times item 4.c, and item 4.d) ................................................... 
5. Total exposures prior to regulatory deductions (sum of items 1.h, 2.e, 3.a, and 4.e) ............. 

M337 
M339 
Y822 
M340 
Y823 
Y824 
Y825 

71624000 
387577000 
3535000 

你必须记住，PDF，是一个二进制文件格式，不易在不使用用于解析PDF的特殊Python库的情况下搜索字符串。实际上，当文件以二进制格式打开时，handle.read()返回一个bytes对象，而不是字符串。我很惊讶你能够通过搜索原始字节在2016文件中找到M337。