Python修改可搜索PDF文本层去双空格无效，求解决方案

原脚本失效的原因 #

• PDF文本流中的空格常以转义形式存在（如\ 或八进制编码\040），原正则仅匹配明文空格，无法识别转义后的空格。
• pdfrw对OCR生成的复杂PDF内容流支持不足，无法正确解析或修改部分内容结构。
• 部分OCR生成的“多空格”并非字符本身，而是通过文本位置偏移指令（如Td）模拟的，替换字符空格完全无效。

可行解决方案：使用PyMuPDF（fitz） #

PyMuPDF能直接操作PDF的文本块，无需手动解析底层内容流，且可精准修改文本层同时保留图像外观。

步骤1：安装依赖 #

pip install pymupdf

步骤2：处理脚本 #

import fitz  # PyMuPDF
import re

def process_pdf(input_path, output_path):
    doc = fitz.open(input_path)
    for page in doc:
        # 获取页面所有文本块（包含文本、位置、格式信息）
        text_blocks = page.get_text("blocks")
        for block in text_blocks:
            block_text = block[4]
            # 替换连续多空格为单空格（如需保留换行，可将正则改为r' {2,}'）
            cleaned_text = re.sub(r'\s{2,}', ' ', block_text)
            if cleaned_text != block_text:
                # 用新文本覆盖原文本块，保留原位置与格式
                page.add_redact_annot(block[:4], text=cleaned_text)
        # 应用修改，仅更新文本层，不影响图像
        page.apply_redactions()
    # 保存时清理冗余数据，压缩文件
    doc.save(output_path, garbage=4, deflate=True)
    doc.close()

if __name__ == "__main__":
    input_pdf = r"C:\example.pdf"
    output_pdf = r"C:\example_no_double_spaces.pdf"
    process_pdf(input_pdf, output_pdf)

脚本说明 #

• get_text("blocks")：提取页面所有文本块，每个块包含位置坐标、文本内容等信息。
• add_redact_annot：标记需要修改的文本区域，用清理后的文本替换原内容。
• apply_redactions：执行修改，仅更新文本层，原图像层完全保留。
• 正则r'\s{2,}'会匹配所有连续空白字符（空格、制表符等），若仅需替换空格，改为r' {2,}'即可。

特殊情况处理 #

若视觉上的“多空格”是OCR定位误差导致的文本位置偏移（而非字符本身），需进一步分析文本的位置指令。这种情况下可通过PyMuPDF提取内容流，解析Td等定位指令并调整偏移量，但实现复杂度较高，建议优先确认是否为字符层面的多空格问题。

内容的提问来源于stack exchange，提问作者Popeye