Hey，我懂你碰到的这个糟心问题——波斯语PDF里的文字不管是直接复制粘贴还是用Python提取，全是乱码，但数字却能好好显示。这种情况大概率是PDF的字体嵌入或者字符编码搞的鬼，我给你整理几个亲测有效的解决办法：

1. 先检查PDF的字体嵌入情况 #

很多时候乱码是因为PDF里的波斯语字体没有被嵌入，系统找不到对应字体就会用默认字体替代，导致显示乱码。你可以用Adobe Acrobat这样的阅读器查看：

• 打开PDF，点击「文件」→「属性」→「字体」标签
• 查看波斯语对应的字体条目，如果标注了“未嵌入”或者“部分嵌入”，那就是这个问题

解决办法是用工具重新嵌入字体，比如用Ghostscript执行以下命令（需要先安装Ghostscript）：

gs -dNOPAUSE -dBATCH -sDEVICE=pdfwrite -dEmbedAllFonts=true -sOutputFile=embedded.pdf input.pdf

这个命令会把原PDF（input.pdf）的所有字体都嵌入进去，生成新的embedded.pdf，之后再复制或者提取文本应该就正常了。

2. 用PyMuPDF（fitz）替代常规库提取文本 #

PyPDF2这类基础库对非拉丁字符的支持不太好，而PyMuPDF（也就是fitz）处理复杂字体的能力强很多，大部分波斯语PDF都能正确提取。试试这段代码：

import fitz  # 需要先安装：pip install pymupdf

# 打开PDF文件
doc = fitz.open("你的PDF文件路径.pdf")
extracted_text = ""

# 逐页提取文本
for page in doc:
    extracted_text += page.get_text()

# 打印提取的内容
print(extracted_text)

如果PDF有加密，记得先调用doc.authenticate("密码")解密后再提取。

3. 若文本是图像化的，用OCR工具识别 #

如果你的PDF是扫描件转的（文本其实是图像），那常规的文本提取方法肯定没用，这时候需要用OCR工具识别。推荐用pytesseract结合pdf2image，步骤如下：

1. 先安装依赖库：

pip install pytesseract pdf2image opencv-python

2. 安装Tesseract OCR引擎，并且下载波斯语语言包（语言代码是fas）
3. 运行以下代码：

import cv2
import pytesseract
from pdf2image import convert_from_path

# 把PDF每页转成高清图像（dpi设为500保证识别准确率）
pages = convert_from_path("你的PDF文件路径.pdf", dpi=500)

for idx, page_img in enumerate(pages):
    # 保存临时图像文件
    img_path = f"page_{idx}.jpg"
    page_img.save(img_path, "JPEG")
    
    # 读取图像并识别波斯语文本
    img = cv2.imread(img_path)
    # 配置Tesseract使用波斯语识别
    custom_config = r'--oem 3 --psm 6 -l fas'
    text = pytesseract.image_to_string(img, config=custom_config)
    
    print(f"第{idx+1}页提取内容：\n{text}\n")

这些方法应该能解决大部分波斯语PDF的乱码问题，你可以根据自己的PDF情况逐个尝试~

内容的提问来源于stack exchange，提问作者mehdi seifabadi