pdfplumber提取空白或乱码时，先用page.chars检查是否含真实文本；若为空则是扫描件需ocr，非空则调参laparams或过滤中文字体字符拼接。
pdfplumber 提取文字时空白页或乱码怎么办
pdfplumber 是目前 Python 中最可靠的文字提取库之一，但它对 PDF 的底层结构敏感：扫描件、加密 PDF、无文本层（纯图像）或字体嵌入不全的文档，pdfplumber.open() 读取后可能返回空 page.chars 或乱码字符（如 、□、空格堆叠）。不是代码写错了，而是 PDF 本身没带可选文字层。
实操建议：
- 先用
pdfplumber.open("file.pdf").pages[0].chars检查第一页是否有非空chars列表；若为空，大概率是扫描件，需走 OCR 路线 - 若出现乱码但
chars非空，尝试加参数laparams={"char_margin": 1.0}或启用strip_text=" \n\t"清理干扰符号 - 避免直接调用
page.extract_text()——它默认跳过表格和复杂布局；改用page.dedupe_chars().extract_text()更鲁棒
关键词检索该用正则还是字符串 in？
单纯判断关键词是否存在，"keyword" in text 最快也最安全；但多数实际场景需要定位位置、匹配大小写变体、或排除上下文干扰（比如 “model” 不想匹配到 “models”），这时候必须上正则。
实操建议：
- 基础存在性检查用
"risk" in page_text.lower()，比re.search(r"risk", page_text, re.I)快 3–5 倍 - 要高亮/定位时，用
re.finditer(r"\b(?:risk|hazard)\b", page_text, re.I)，\b防止子串误匹配，(?:...)避免捕获开销 - PDF 提取常含换行符断裂词（如 “in-
vestment”），预处理时先做text.replace("-\n", "").replace("\n", " ")再搜
扫描版 PDF 怎么绕过 pdfplumber 直接 OCR
pdfplumber 对扫描件无效，但不用换整套工具链。可用 pdf2image 把每页转成 PNG，再喂给 pytesseract——关键在 DPI 和预处理。
实操建议：
- 转换时设
dpi=300：convert_from_path("scan.pdf", dpi=300)，低于 200 DPI 识别率断崖下跌 - OCR 前对图像二值化：
img = img.convert("L").point(lambda x: 0 if x ，能显著减少“l”和“1”混淆 - 指定语言和 PSM 模式：
pytesseract.image_to_string(img, lang="chi_sim+eng", config="--psm 6")，中文必须显式加lang，--psm 6适合单块文本
检索结果怎么关联到原始 PDF 页面和坐标
纯文本检索丢失了位置信息，但很多需求（比如高亮、跳转、批注）依赖坐标。pdfplumber 的 page.search() 可直接返回匹配区域的 bounding box。
实操建议：
- 别自己用正则扫全文再映射回页面——
page.search("confidential", regex=False)返回的是{"x0": 120.5, "top": 432.1, ...}字典列表 - 坐标系原点在左上角，
"top"是距顶部距离，"x0"/"x1"是左右边界；导出为高亮矩形时注意 PDF 查看器坐标系是否翻转 - 若需跨页聚合结果，用
[(i, match) for i, page in enumerate(pdf.pages) for match in page.search("term")]，避免重复打开文件
page.chars 探针，再决定走哪条路，省掉 80% 的调试时间。Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
