Eu fiz um scrapping em Python que pega uma URL de um PDF qualquer, lê e retorna, porém em alguns PDFs estou tendo o problema de vir com uns caracteres assim:
".\nO \xc3\xb3rg\xc3\xa3o tamb\xc3\xa9m divulga resultado\n\nGH\xc3\x80QLWLYR\x03GRV\x03FDQGLGDWRV\x03TXH\x03VH\x03GHFODUDUDP\x03FRP\x03GH\xc3\x80FLrQFLD\x03H\x03GRV\x03SHGLGRV\x03\nde atendimento especial deferidos.\nO concurso visa o provimento\nefetivo de 150 vagas para a classe\ninicial (Classe A) do cargo de delegado de Pol\xc3\xadcia Civil, cujas vagas ser\xc3\xa3o\n\nprovidas conforme a ordem de clasVL\xc3\x80FDomR\x03H\x03D\x03QHFHVVLGDGH\x03GR\x03VHUYLoR\x11\nA"
Pelo que pude ver, isso acontece quando tem algum acento, coluna ou até traço no documento..
Também reparei que se tem imagem, me retorna caracteres estranhos! Alguém tem alguma solução ou ideia que possa me ajudar?
.unicode('utf-8') (utf8)
não me recordo bem...