无法读取PDF文件并提取文本的技术问题咨询

存在的问题 #

• 模块导入缺失：代码中使用pdf.PdfReader但未导入PyPDF2模块，运行时会抛出NameError。
• 循环逻辑错误：for page in reader(len(reader.pages))是完全错误的写法，PdfReader实例不能作为函数调用，正确的遍历方式应该是直接迭代reader.pages或者用range生成索引。
• 变量名冲突：循环内部重新赋值page=reader.pages[page]，变量名重复会导致逻辑混乱。
• 冗余字符串转换：page.extract_text()本身返回字符串（无文本时返回None），用str()包裹没必要，反而可能把None转成字符串"None"，影响结果。

修复后的代码 #

# 先导入必要模块
from PyPDF2 import PdfReader  # 或者用 import PyPDF2 as pdf，对应代码里的pdf.PdfReader

def input_pdf_text(uploaded_file):
    # 若uploaded_file是二进制流对象（如Streamlit上传的文件），直接传入即可
    reader = PdfReader(uploaded_file)
    text = ""
    
    # 直接遍历PDF的每一页
    for page in reader.pages:
        # 处理页面无文本的情况，避免添加"None"字符串
        page_text = page.extract_text() or ""
        text += page_text
    
    return text

补充说明 #

• 如果uploaded_file是本地文件路径，需要改成用open(uploaded_file, 'rb')打开后传入PdfReader。
• 若PDF是扫描件（页面为图片格式），PyPDF2无法提取文本，需要搭配OCR工具（如pytesseract）处理。

内容的提问来源于stack exchange，提问作者Abinash Das