如何用PyPDF2正确读取含印地语的非英文PDF文件？

PyPDF2对非拉丁字符（如印地语使用的天城文）的文本提取支持有限，尤其是处理嵌入字体或特殊编码的PDF时，容易出现乱码。以下是几种更可靠的解决方案：

方案1：使用PyMuPDF（fitz） #

PyMuPDF对多语言文本的兼容性远优于PyPDF2，能更好地解析嵌入字体和复杂编码的内容。

1. 安装依赖：

pip install pymupdf

2. 提取文本的示例代码：

import fitz  # 导入PyMuPDF

pdf_path = "/content/drive/MyDrive/DARE_Hindi_AR_2014-15-1-1.pdf"
pdf_text = ""

with fitz.open(pdf_path) as doc:
    for page in doc:
        pdf_text += page.get_text()

print(pdf_text)

方案2：使用pdfplumber #

pdfplumber同样对非英文文本有较好的支持，同时还能保留更多文本格式信息。

1. 安装依赖：

pip install pdfplumber

2. 提取文本的示例代码：

import pdfplumber

pdf_path = "/content/drive/MyDrive/DARE_Hindi_AR_2014-15-1-1.pdf"
pdf_text = ""

with pdfplumber.open(pdf_path) as pdf:
    for page in pdf.pages:
        pdf_text += page.extract_text()

print(pdf_text)

方案3：OCR识别（针对扫描版PDF） #

如果你的PDF是扫描生成的图片型文档，上述文本提取方法都无效，需要用OCR工具识别：

1. 安装依赖：

pip install pytesseract pillow

注意：需确保本地已安装Tesseract引擎，并添加印地语语言包（lang='hin'）

2. OCR提取文本的示例代码：

import fitz
import pytesseract
from PIL import Image

pdf_path = "/content/drive/MyDrive/DARE_Hindi_AR_2014-15-1-1.pdf"
pdf_text = ""

with fitz.open(pdf_path) as doc:
    for page in doc:
        # 将PDF页面转为图片
        pix = page.get_pixmap()
        img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
        # 识别印地语文本
        page_text = pytesseract.image_to_string(img, lang='hin')
        pdf_text += page_text

print(pdf_text)

内容的提问来源于stack exchange，提问作者datagekk