デコード "x9f \x00ä\ x00？\ x00_ \x00ë\"などPython 3の文字列

Question

pdfファイルのいくつかの一般的なプロパティを抽出したいと思います。これまでのところ、これは非常にうまくいっています。ただし、新しい入力ファイルを試してみると、私は今、奇妙な新しいエラーに遭遇しました。

解析のために、私はpdfminer.sixを使用しています。 、

今

pdf_data = { 
    'Number of words': len(words), 
    'Number of paragraphs': len(paragraphs), 
    'Number of pages': len(pages) 
} 

if len(doc.info) > 0: 
    pdf_data_keys = ["latin", "windows-1252"] 
    for key in pdf_data_keys: 
     properValue = "" 
     value = doc.info[0].get(key) 
     if value is not None: 
      for enc in encodings: 
        try: 
         properValue = value.decode(encoding=enc) 
         break 
        except Exception as ex: 
         continue 
     if properValue != "": 
      pdf_data[key] = properValue 

コードを実行した後、私はすべてのエラーを得ることはありませんが、これは新しいファイルにタイトルアップを示しています。これは、など、タイトル、作成者、件名を抽出するコードは次のようになります：

encodings = ['ascii', 'big5', 'big5hkscs', 'cp037', 'cp273', 'cp424', 'cp437', 'cp500', 'cp720', 'cp737', 
       'cp775', 'cp850', 'cp852', 'cp855', 'cp856', 'cp857', 'cp858', 'cp860', 'cp861', 'cp862', 'cp863', 
       'cp864', 'cp865', 'cp866', 'cp869', 'cp874', 'cp875', 'cp932', 'cp949', 'cp950', 'cp1006', 
       'cp1026', 'cp1125', 'cp1140', 'cp1250', 'cp1251', 'cp1252', 'cp1253', 'cp1254', 'cp1255', 
       'cp1256', 'cp1257', 'cp1258', 'cp65001', 'euc_jp', 'euc_jis_2004', 'euc_jisx0213', 'euc_kr', 
       'gb2312', 'gbk', 'gb18030', 'hz', 'iso2022_jp', 'iso2022_jp_1', 'iso2022_jp_2', 'iso2022_jp_2004', 
       'iso2022_jp_3', 'iso2022_jp_ext', 'iso2022_kr', 'latin_1', 'iso8859_2', 'iso8859_3', 'iso8859_4', 
       'iso8859_5', 'iso8859_6', 'iso8859_7', 'iso8859_8', 'iso8859_9', 'iso8859_10', 'iso8859_11', 
       'iso8859_13', 'iso8859_14', 'iso8859_15', 'iso8859_16', 'johab', 'koi8_r', 'koi8_t', 'koi8_u', 
       'kz1048', 'mac_cyrillic', 'mac_greek', 'mac_iceland', 'mac_latin2', 'mac_roman', 'mac_turkish', 
       'ptcp154', 'shift_jis', 'shift_jis_2004', 'shift_jisx0213', 'utf_32', 'utf_32_be', 'utf_32_le', 
       'utf_16', 'utf_16_be', 'utf_16_le', 'utf_7', 'utf_8', 'utf_8_sig', "idna", "mbcs", "oem", "palmos", 
       "punycode", "raw_unicode_escape", "rot_13", "undefined", "unicode_escape", "unicode_internal", 
       "base64_codec", "bz2_codec", "hex_codec", "quopri_codec", "string_escape", "uu_codec", 
       "zlib_codec"] 

しかし、これはどちらか助けていません：

'Title': 'Ú\x9f\x00ä\x00?\x00_\x00ë\x00È\x00/\x00Å\x00Á\x00\x80\x00(\x00ë\x00ä\x00ñ\x00\x80\x00ï\x00?\x00Ê\x00%\x00À\x00\x80\x00è\x00ê\x00+\x00\x80\x00í\x00ä\x00ñ\x00è\x00ë\x00\x80\x00á\x00è\x00ã\x00\x80\x00@\x00\x80\x00á\x00è\x00ã\x00\x91\x00\x91\x00\x90\x00\x80\x00@\x00\x80\x00<\x00í\x00\x90\x00\x93\x00\x99\x00\x16\x00\x94\x00\x99\x00\x94\x00\x95\x00\x96\x00\x16\x00\x80\x00@\x00\x80\x00ü\x00Â\x00Á\x00Ê\x00Ë\x00Ñ\x00Ä\x00Ç\x00È\x00\x80\x00@\x00\x80\x00Â\x00?\x00Á\x00Ê\x00Ë\x00Á\x00\x05\x00Ë\x00È\x00Í\x00È\x00È\x00Å\x00/\x00Ê\x00È\x00\x06\x00À\x00Á'} 

私はこれにそこまでの短いリストを変換し、存在してエンコーディングの他のすべてのタイプに入れて試してみました。

私はPythonに関しては絶対に初心者です。私は本当にこの点について助けていただきたいと思います。

素晴らしい一日を！

Answer 1

文字列はUTF-16BEでエンコードされています。 BOMは、それに応じてチェックできます。\ xFE \ xFF

テキスト文字列タイプは、PDF 32000-1：2008 - 7.9.2.2で指定されています。 PDFDocEncoding（ISO Latin 1と同様）またはUTF-16BEとしてエンコードできます。 PDF 2.0では、これはUTF-8でエンコードされた文字列でもあります。