我正在使用pypdf2库通过其extractText函数从PDF文件中提取文本，并且对于大多数PDF，它的效果很好！
但是，有些PDF产生的文本看起来像：
n！＆quot＃$％＆amp;'((＆quord ， - 。" - 。" 。(/0 $ -1＆quot; 2( 3- $。45 n＆quot;＆quort; quot＆quot＃$％＆amp;'((＃' (，$！＆quot＃ - 。＃ $ -/$ 0.1 ＆quot美元！％/％0！％ n $ 0＆quot＆quot＆amp; $(％1(0，$ 2％3(％0＆quot;％0！％＆quot＆amp; $％1(34 5＆quot;％36％1 1(0，$！7 n %% 8％！＆quort＃$％＆amp;'($(％＆quort; n％0！％＃％ ， - $(％＆quot＆quot;％0！％3*9(％40'0！0-9 $％ - (％/％＃*4％0＆quot！$ 967 n %%：％0！％＆quot＆quort＆quord＆quot＆amp; $％3*9(％$'$ ％ n1(0，$％ ， - $(7 n %%; 3％099 ！＆quot;4＃，$ ＃9％＆quort $ 3($，％36％＃(0＆quot; amp;，$ 052％＆lt;％90！＆amp; $％1(0，$％6＃5＆quot'3(0＆gt;＃03*％ n36％ ， - $(！％ - $ $＆quot = $＆quot = $$ ％//em>％//％＃ 4％：? 7％@(0，$％ ， - $(！％＃($％0*％ n6.'78＆quort'ab％，$＃*！％， 9＆quot＆quot＆quot'c n％＆quort; d％e $ 0 $ quot＆quot＆amp; $(％1(0，$％*3(％53,13！0%%%%%/fd％：bg n％hd％：%%%%%％/？d％hb？ n %% fd％：b： n％3(
(
根据文档，这是可以预期的：
这适用于某些PDF文件，但对其他文件来说很差，具体取决于 在使用的发电机上。
不幸的是，当extractText()函数输出如上上述文本时不会引起任何异常。
所以，我的问题是，有没有办法可以通过编程性检测extractText()功能返回Gibberish？
基于 @dyz的评论，这是解决方案。
document_path被假定到您打开的PDF文件的路径。其余的应该是不言而喻的。
from PyPDF2 import PdfFileReader
from nltk.corpus import words
words = words.words()
document_file = PdfFileReader(open(document_path, 'rb'))
num_pages = document_file.getNumPages()
for page_num in range(0, num_pages):
page = document_file.getPage(page_num)
page_contents = page.extractText()
if set(page_contents.lower().split()).intersection(words):
# process page_contents