pdfplumber 提取中文乱码因默认ascii编码且依赖pdfminer解析，tounicode cmap缺失或错误；tabula-py需jdk环境；pdfplumber表格错位因缺边框线，可用explicit_lines和坐标聚类优化；pymupdf文本快但无原生表格识别，需结合坐标分析或混合工具链。
pdfplumber 提取纯文本时为什么中文乱码？
pdfplumber 默认用 ASCII 编码解析文本流，遇到非 UTF-8 编码的 PDF（尤其是国产办公软件导出、扫描件 OCR 后未嵌入字体描述的 PDF），page.extract_text() 返回的中文会是空字符串或方块乱码。
根本原因不是字体缺失，而是 PDF 内部的 ToUnicode CMap 未正确映射或缺失。pdfplumber 不主动做字符重映射，它依赖底层 pdfminer 的解析结果。
- 先检查 PDF 是否含真实文本：用
pdftotext -list-fonts your.pdf看是否有 CIDFont 或 ToUnicode 表 - 强制指定编码无效（
extract_text(encoding="utf-8")不起作用）——这是 pdfplumber 的设计限制 - 临时绕过：用
page.chars手动拼接字符，过滤掉fontname为空或含Adobe-前缀的异常字形 - 更稳方案：改用
PyMuPDF（即fitz），它内置字体映射和 Unicode 回退机制：page.get_text("text", encoding="utf-8")通常能直接输出可读中文
用 tabula-py 提取表格总报 subprocess.CalledProcessError: Command 'java' not found
tabula-py 是 Python 封装，实际调用的是 Java 版 tabula，必须本地装 JDK 8–17 并配置 JAVA_HOME 环境变量，否则连启动都失败。
即使你用 conda 安装了 tabula-py，它也不会自动帮你装 Java —— 这是常见误解。
- 验证 Java 是否可用：
java -version必须返回版本号，且echo $JAVA_HOME（macOS/Linux）或echo %JAVA_HOME%（Windows）不为空 - Windows 用户注意：JDK 安装路径含空格（如
C:\Program Files\Java\...）会导致 tabula-py 调用失败，建议重装到无空格路径（如C:\jdk）并更新JAVA_HOME - 替代方案：用
pdfplumber的page.extract_table()或page.find_tables()，它纯 Python 实现，无需 Java，但对合并单元格、斜线表头支持弱 - 若表格是图片型（扫描件），tabula-py 和 pdfplumber 都无效，得先用
pytesseract+opencv-python做 OCR 区域识别
pdfplumber 提取表格时列错位、数据被拆成多行
pdfplumber 按视觉坐标切分表格，默认策略是“找横线+竖线”，但很多 PDF 表格只有文字对齐没有边框线，或使用虚线/极细线，page.extract_table() 就会漏识别分割线，导致列偏移。
这不是 bug，是 PDF 本身缺乏结构信息造成的固有局限。
- 优先启用
explicit_horizontal_lines和explicit_vertical_lines参数，手动传入用page.curves或page.edges提取的线条坐标列表 - 调整
vertical_strategy：设为"lines"（依赖线条）、"text"（靠文字 x 坐标聚类）、"explicit"（用你给的 vertical_lines） - 关键技巧：用
page.to_image(resolution=200)+.draw_rects(page.rects)可视化页面元素，确认表格区域是否被正确框出 - 如果表格跨页，
pdfplumber不自动合并，需手动收集每页的extract_table()结果再按列名对齐拼接
PyMuPDF（fitz）提取文本快但表格支持弱，怎么补足？
fitz.Page.get_text("blocks") 提取文本块速度比 pdfplumber 快 5–10 倍，尤其适合大文件批量处理，但它原生不提供表格识别能力——get_text("table") 仅对极少数带结构标签的 PDF 有效。
想兼顾速度与表格，得组合使用它的文本定位能力和外部逻辑。
- 用
page.get_text("dict")获取所有文本块（含x0,y0,x1,y1坐标），再按 y 坐标聚类成“行”，按 x 坐标切分“列” - 对疑似表格区域（如多行文本 y 间距一致、x 范围重叠度高），用
page.get_image_bbox()检查该区域是否含线条图像（判断是否为真实表格） - 避免硬编码阈值：用
page.bound()获取页面尺寸，以百分比方式定义表格区域（如 “左半区 y∈[20%, 60%]”），提升跨文档鲁棒性 - 若 PDF 有标签结构（Tagged PDF），
fitz.Page.get_text("html")可能保留<table> 标签，但这类 PDF 不足 5%，不能作为主要路径依赖 实际处理时，纯文本和表格往往要走不同 pipeline：文本用 PyMuPDF 扫一遍，表格单独用 pdfplumber 或 tabula-py 处理一页中的关键区域。没人能用一个库通吃所有 PDF —— 关键是根据文件来源（生成工具、是否扫描、是否有边框）提前分类，再选策略。</table>
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！
