PyMuPDF提取PDF文本时空格丢失及乱码问题求助

问题现象 #

处理目标PDF时出现两类异常：

• 调用page.get_text()提取文本，空格保留但部分内容被未知字符“�”替换；
• 使用page.get_text("dict", flags=11)遍历span，大量空格丢失（如闭括号后的空格消失）。

解决方案 #

1. 乱码（“�”）问题处理 #

这类字符通常是PDF中特殊字符编码未被正确识别，或字体嵌入不完整导致，可通过以下方式修复：

• 调整提取flags：使用fitz.TEXTFLAGS_TEXT（值为2）基础flag，结合fitz.TEXT_PRESERVE_LIGATURES保留连字结构，避免编码解析错误。示例：

  print(page.get_text(flags=fitz.TEXTFLAGS_TEXT | fitz.TEXT_PRESERVE_LIGATURES))
  

• 更新PyMuPDF版本：新版本对非嵌入字体、特殊字符的兼容性更好，能减少此类乱码问题。

2. dict模式下空格丢失问题 #

dict模式中，span文本本身不会包含span间的空格，空格是通过span的位置间距体现的，加上你使用的flags=11参数组合未正确启用空格保留，修复方式如下：

• 修正flags参数：明确指定fitz.TEXT_PRESERVE_WHITESPACE（值为8）和fitz.TEXT_DEHYPHENATE（值为4），替代flags=11：

  blocks = page.get_text("dict", flags=fitz.TEXT_PRESERVE_WHITESPACE | fitz.TEXT_DEHYPHENATE)["blocks"]
  

• 手动补充span间空格：遍历span时，通过对比前后span的边界坐标判断是否需要添加空格，示例代码：

  doc = fitz.open("40337_02.pdf")
  page = doc[3]
  blocks = page.get_text("dict", flags=fitz.TEXT_PRESERVE_WHITESPACE | fitz.TEXT_DEHYPHENATE)["blocks"]
  
  for block in blocks:
      for line in block["lines"]:
          last_span_right = None
          for span in line["spans"]:
              if last_span_right is not None:
                  # 计算两个span的间距，超过阈值则添加空格
                  gap = span["bbox"][0] - last_span_right
                  if gap > 1.5:  # 阈值可根据PDF实际排版调整
                      print(" ", end="")
              print(span["text"], end="")
              last_span_right = span["bbox"][2]
          print()
  

3. 通用优化建议 #

• 优先使用page.get_text("text")提取完整文本，这种模式下PyMuPDF会自动处理大部分空格和排版，再针对乱码做局部修复；
• 若需结构化提取（dict模式），务必依赖span的位置信息补充空格，不要仅依赖span文本内容；
• 检查PDF本身的字体嵌入情况，若核心字体未嵌入，可尝试使用OCR模式提取（需额外依赖Tesseract）。

内容的提问来源于stack exchange，提问作者Gabriel Marquetto