本文详解 PyMuPDF（fitz）提取 PDF 文本时出现乱码（如 \xc2\x91\xc2\x99）的根本原因与解决方案，强调避免误用 .encode('utf-8')，正确使用 .get_text() 并辅以编码清理策略，确保输出干净、可读的 Unicode 文本。
本文详解 pymupdf（fitz）提取 pdf 文本时出现乱码（如 `\xc2\x91\xc2\x99`）的根本原因与解决方案，强调避免误用 `.encode('utf-8')`，正确使用 `.get_text()` 并辅以编码清理策略，确保输出干净、可读的 unicode 文本。
在使用 PyMuPDF（即 fitz 模块）从 PDF 中提取文本时，一个常见误区是：对 .get_text() 返回的已解码字符串再次调用 .encode('utf-8')，这会导致 Unicode 字符被错误地双重编码为字节序列（如 ’ 变成 \xe2\x80\x99），最终显示为 \xc2\x91\xc2\x99 等不可读字节转义——这并非 PDF 内容本身损坏，而是 Python 字符串处理逻辑出错。
✅ 正确做法是：.get_text() 默认返回 UTF-8 解码后的 str 对象，应直接使用，无需编码。若仍出现乱码，说明 PDF 内嵌字体未正确映射或存在非标准编码，此时需针对性清理，而非盲目重编码。
✅ 推荐代码（修正版）
import fitz # 注意：PyMuPDF 的推荐导入方式是 import fitz
doc = fitz.open("uber-report.pdf")
page = doc[1] # 获取第二页（索引从 0 开始）
text = page.get_text() # ✅ 直接获取 str 类型文本，不加 .encode()
print(text)
⚠️ 若仍有异常字符（如 \r\xc2\x91\xc2\x99\x03），请按以下步骤清理：
-
识别问题根源：这些
\xc2\x91等是 UTF-8 编码字节被错误当作 Latin-1 字节解码后残留的“伪字节字符串”； -
安全修复策略（仅当
get_text()输出含原始字节转义时适用）：# 假设 text 是包含 \x 转义的字符串（罕见，通常只发生在日志打印或调试中） # 实际开发中，应优先检查是否误用了 encode() raw_bytes = text.encode('latin-1') # 将错误解码的 str 按 latin-1 回转为 bytes clean_text = raw_bytes.decode('utf-8', errors='replace') # 再以 UTF-8 安全解码但请注意：该方案是兜底手段，不应作为常规流程。绝大多数情况下，删除
.encode('utf-8')即可解决问题。
? 额外建议提升提取质量
- 使用
page.get_text("text")（显式指定模式）替代默认调用，更稳定； - 对含复杂排版/扫描件的 PDF，考虑启用 OCR（需搭配
pix2text或pytesseract）； - 过滤控制字符：
import re; clean_text = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f\x7f-\x9f]', '', text)； - 处理换行与空格：
text.replace('\n', ' ').replace('\r', ' ').strip()（按业务需求调整）。
? 总结：PyMuPDF 的
.get_text()是 Unicode 友好的——它输出的是 Pythonstr，不是bytes。把str再.encode()是典型类型误用。牢记：提取 → 清理 → 使用，而非“提取 → 错误编码 → 徒劳解码”。
