Python读取PDF出现乱码，如何用代码还原为可读文本？

问题分析 #

该PDF第2页的乱码源于内嵌字体编码映射异常，常规Python PDF处理库无法正确解析字符映射关系，但大语言模型可通过字符形态特征还原内容，因此可调用Claude Haiku的API实现乱码还原。

实现步骤 #

• 提取乱码文本：用fitz库提取第2页的乱码内容
• 调用Claude API：将乱文本传入，请求还原为可读内容
• 解析响应结果：输出还原后的正常文本

代码实现 #

import fitz
import anthropic

# 初始化Claude客户端
client = anthropic.Anthropic(api_key="你的API密钥")

# 提取PDF乱码文本
doc = fitz.open("2303.11366v4.pdf")
garbled_text = doc[2].get_text().split('Figure 1')[0]

# 请求Claude还原文本
message = client.messages.create(
    model="claude-3-haiku-20240307",
    max_tokens=1000,
    messages=[
        {"role": "user", "content": f"请将以下乱码还原为可读的学术文本：{garbled_text}"}
    ]
)

# 输出还原结果
print(message.content[0].text)

注意事项 #

• 提前安装依赖库：pip install pymupdf anthropic
• 需申请Anthropic的API密钥，注意密钥的安全存储（建议通过环境变量传入，避免硬编码）
• 若乱码内容过长，可分段传入API以避免超出token限制

内容的提问来源于stack exchange，提问作者xxy