本文详细讲解如何修复常见 pdf 文本提取错误，提供可直接运行的 pypdf2 代码示例，涵盖文件模式处理、页面遍历、空文本容错及资源释放等关键实践。
本文详细讲解如何修复常见 pdf 文本提取错误，提供可直接运行的 pypdf2 代码示例，涵盖文件模式处理、页面遍历、空文本容错及资源释放等关键实践。
在 Python 中使用 PyPDF2 提取 PDF 文本时，常见的错误包括语法误用（如 reader(len(reader.pages)) 这类非法调用）、未正确处理二进制文件流、忽略空页面返回值，以及遗漏文件关闭逻辑。以下是一个健壮、生产就绪的 PDF 文本提取函数：
import PyPDF2
def input_pdf_text(uploaded_file):
"""
从上传的 PDF 文件对象中提取纯文本内容
Args:
uploaded_file: 支持 file-like 对象（如 Streamlit 的 UploadedFile 或 open() 返回的文件句柄）
Returns:
str: 所有页面文本的拼接结果；若无文本则返回空字符串
"""
# 处理不同输入类型：确保以二进制只读模式打开
if hasattr(uploaded_file, 'mode') and uploaded_file.mode != 'rb':
raise ValueError("PDF 文件必须以二进制模式 ('rb') 打开")
try:
reader = PyPDF2.PdfReader(uploaded_file)
text = ""
# 直接遍历 reader.pages —— 这是 PyPDF2 3.0+ 推荐方式（无需索引访问）
for page in reader.pages:
extracted = page.extract_text()
if extracted: # 避免 None 或空字符串导致 TypeError
text += extracted.strip() + "\n\n" # 每页后加双换行，提升可读性
return text
except Exception as e:
raise RuntimeError(f"PDF 解析失败：{str(e)}") from e
✅ 使用示例（适配不同场景）：
-
本地文件路径：
with open("document.pdf", "rb") as f: content = input_pdf_text(f) print(content[:500] + "..." if len(content) > 500 else content) -
Web 框架（如 Streamlit）上传文件：
import streamlit as st uploaded = st.file_uploader("上传 PDF", type="pdf") if uploaded: text = input_pdf_text(uploaded) # Streamlit 的 UploadedFile 默认为 'rb' 模式 st.text_area("提取结果", text, height=400)
⚠️ 重要注意事项：
- PyPDF2 仅支持基于文本的 PDF；扫描件或图像型 PDF 需配合 OCR 工具（如 pytesseract + pdf2image）；
- page.extract_text() 可能返回 None（尤其当页面含复杂排版或加密内容），务必判空；
- 不要手动调用 file.close() —— 若传入的是上下文管理器（with open(...)），由上下文自动处理；函数内不应擅自关闭外部传入的文件对象（原答案中 uploaded_file.close() 是危险操作，已移除）；
- 推荐安装最新稳定版：pip install --upgrade PyPDF2（注意：旧版 PyPDF2 已弃用，pdf 模块名不复存在，应统一使用 PyPDF2）。
该方案兼顾安全性、可维护性与兼容性，可作为 PDF 文本预处理的标准组件集成至文档分析、RAG 等应用场景。
