PyPDF2仅能提取含文本层的PDF,对扫描件或OCR未嵌入文本的PDF返回空或乱码;推荐PyMuPDF处理中文及加密PDF,扫描件须用pdf2image+pytesseract OCR。

用 PyPDF2 读取 PDF 文本,但别指望它总能成功
很多 PDF 是扫描件或含复杂排版,PyPDF2 只能提取「可选中文本」——也就是 PDF 文件里实际存了文字对象的那些页面。如果 PDF 是图片转的(哪怕 OCR 过但没嵌入文本层),PyPDF2 会返回空字符串或乱码。
实操建议:
- 先用
pdf_reader = PyPDF2.PdfReader("file.pdf")打开,再对每页调用page.extract_text()(注意:旧版叫extractText(),已弃用) - 检查返回值是否为空或长度极短,如果是,说明该页大概率没文本层
-
PyPDF2不处理加密 PDF;若报错PyPDF2.errors.FileNotDecryptedError,需先用密码解密:pdf_reader.decrypt("password") - 中文支持弱,遇到方块或问号,大概率是字体映射缺失,不是编码问题——它压根没把 CID 字符正确转成 Unicode
扫描 PDF 必须走 OCR,pdf2image + pytesseract 是最稳组合
把 PDF 拆成图像,再逐图识别,虽然慢,但对扫描件、发票、合同这类文件是唯一靠谱路径。
实操建议:
- 用
pdf2image.convert_from_path("file.pdf", dpi=200)转图像,dpi别低于 150,否则pytesseract识别率断崖下跌 - 传给
pytesseract.image_to_string(img, lang="chi_sim+eng"),中英文混排必须显式指定lang,只写chi_sim会漏英文数字 - 图像预处理很关键:二值化(
cv2.threshold)、去噪(cv2.fastNlMeansDenoising)能显著提升准确率,尤其对模糊/阴影文档 - 避免直接对整页大图识别——先用
cv2或fitz(PyMuPDF)切出文字区域,再送进 OCR,速度和精度都更好
PyMuPDF(fitz)比 PyPDF2 更适合中文 PDF 提取
PyMuPDF 内置文本分析引擎,能更好处理中文编码、内嵌字体、多栏布局,且支持从加密 PDF 中提取文本(无需提前解密)。
实操建议:
- 打开文档:
doc = fitz.open("file.pdf"),遍历页面用page.get_text("text")(纯文本)或page.get_text("dict")(带位置/字体信息的结构化输出) - 对含中文的 PDF,优先用
"text"模式;"blocks"模式可获取段落级内容,适合跳过页眉页脚 - 若遇到乱码,尝试加参数:
page.get_text("text", encoding="utf-8"),但多数时候是 PDF 自身字体未嵌入,换工具也无解 - 性能比
PyPDF2高不少,100 页 PDF 提取文本通常在 1–3 秒内完成
别跳过验证步骤:提取后必须检查文本完整性
无论用哪种方法,PDF 文本提取都不是“一跑就准”的操作。表格、脚注、小字号批注、旋转文字极易丢失,而你可能根本没意识到。
实操建议:
- 对比原文档:用
fitz渲染一页为 PNG,再把提取的文本用textwrap.fill()格式化后叠加显示,肉眼扫一遍关键段落 - 统计字符数变化:原始 PDF 页面文本长度 vs 提取结果长度,下降超 30% 就要警惕(可能是公式、表格被整块跳过)
- 对关键字段(如发票号、金额、日期),写正则校验是否存在于提取结果中,而不是依赖全文匹配
- 批量处理时,把失败页的页码、错误类型(空文本 / OCR 置信度低 / 加密拒绝)记进日志,别让异常静默吞掉数据
提取 PDF 文本真正的难点从来不在“怎么调库”,而在于你得一眼看出哪页是真·文本、哪页是假·文本,以及接受某些内容就是没法全自动还原——尤其是手写批注、盖章压字、跨页表格这些场景。
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!











