如何用Python批量提取多栏多页PDF的纯文本？

核心问题 #

• 需求：批量转换多页PDF（如厚本教材）为纯文本
• 现有工具痛点：使用PyPDF2处理时，多栏页面的文本读取顺序混乱、内容错误

已验证的可行方案 #

1. 跨语言组合方案（当前最优） #

• 流程：
  1. 用ocrmypdf将扫描版PDF转换为带可提取文本层的PDF
  2. 调用R语言中的tabulizer::extract_text()函数提取文本
• 说明：该函数基于Tabula的R封装，依赖Apache PDFBox，目前暂无可用的Python版封装，因此需要通过R环境执行

2. 纯Python方案（存在性能瓶颈） #

• 流程：使用Tesseract分别以单栏、双栏模式进行OCR，对比后选择语义信息更完整的结果
• 缺点：速度极慢，不适用于厚本PDF的批量处理

内容的提问来源于stack exchange，提问作者user760900