为何无法从这份法院PDF中提取文本？技术排查求助

问题概况 #

我尝试用多种在线工具和Python方法提取一份法院PDF的文本，每次得到的都是类似1$$2!!2!"34$+5的随机乱码字符。

已尝试的Python代码 #

import fitz

text = ""
path = "/home/serveracct/342.pdf"

doc = fitz.open(path)

for page in doc:
    text += page.get_text()
print(text)

其他尝试及现象 #

• 推测该文档为PDF/A格式，但未完全确认
• 检测后确认并非纯图像PDF
• 使用ocrmypdf可提取文本，但生成文件体积过大，不符合需求
• 在Adobe中打开该PDF时，页面会显示随机方框：
  

核心诉求 #

仅需明确PDF结构中导致文本提取失败的具体因素。

导致提取失败的关键因素 #

1. 字体编码映射异常：这类法院文件常使用自定义或特殊嵌入字体，且字体的字形索引与实际字符编码的对应关系被篡改或未正确配置。提取工具读取的是字形索引，无法映射到真实字符，因此输出乱码。
2. PDF/A格式的特殊限制：若确实为PDF/A格式，出于长期归档的合规要求，会采用特殊的字体嵌入和编码规则，部分文本提取工具对PDF/A的编码兼容性不足，导致解析错误。
3. 防提取的文档设置：部分法院文件会添加特殊权限或隐形干扰机制，故意打乱文本层的内容，干扰提取工具的正常解析，迫使提取结果出现乱码。
4. 文本层与视觉层分离：PDF的文本层被填充了无效乱码，而视觉上的内容由独立的字形渲染层或图像层展示，提取工具读取的是无效的文本层内容，自然得到随机字符。

内容的提问来源于stack exchange，提问作者ScottyCov