使用PyPDF2提取PDF文本出现随机空格问题求助

问题根源 #

这种随机空格是部分PDF的内部结构导致的——有些PDF生成时，字符不是按连续单词存储，而是拆成单个字符或小片段分散排列，PyPDF2提取时直接按片段顺序拼接，就会出现多余空格。不同PDF的生成工具（比如Word导出、OCR扫描件）或排版设置不同，就会出现有的文件正常、有的出问题的情况。

用PyPDF2的临时修复方案 #

提取文本后用正则表达式清理异常空格，针对单个字符间的多余空格做处理：

import PyPDF2
import re

def extract_clean_text(pdf_path):
    reader = PyPDF2.PdfReader(pdf_path)
    full_text = ""
    for page in reader.pages:
        raw_text = page.extract_text()
        # 移除单个字符之间的多余空格，保留单词间的正常空格
        cleaned = re.sub(r'(?<=[a-zA-Z]) (?=[a-zA-Z])', '', raw_text)
        # 把多个连续空格合并成单个
        cleaned = re.sub(r'\s+', ' ', cleaned).strip()
        full_text += cleaned + "\n"
    return full_text

注意：如果PDF里有故意的单个字母空格（比如"A B Test"这类格式），这个正则会误处理，需要根据你的文件内容调整规则。

更稳定的替代工具 #

如果修复效果不理想，推荐这两个工具，它们对PDF布局的解析能力更强：

• pdfplumber：专注于PDF文本和数据提取，对字符排列的识别更精准，能大幅减少随机空格问题。示例代码：

import pdfplumber

def extract_with_pdfplumber(pdf_path):
    full_text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            full_text += page.extract_text() + "\n"
    return full_text

• PyMuPDF（fitz）：速度快、准确性高，对复杂排版的PDF支持很好，提取的文本连贯性远优于PyPDF2。示例代码：

import fitz  # 导入PyMuPDF

def extract_with_pymupdf(pdf_path):
    doc = fitz.open(pdf_path)
    full_text = ""
    for page in doc:
        full_text += page.get_text() + "\n"
    doc.close()
    return full_text

内容的提问来源于stack exchange，提问作者CalvinM02