使用PyPDF2读取PDF时重复内容及提取失败问题求助

一、先修正代码的基础错误 #

原代码中arquivo变量未初始化，直接执行arquivo += conteudo_pagina会累积旧值（若之前运行过代码），引发重复内容问题。修正后的代码：

import PyPDF2

# 用原始字符串避免路径转义问题
arquivo_pdf = r'D:\PYTHON\PREFEITURA_SP\ATA40221.pdf'
pdf = PyPDF2.PdfReader(arquivo_pdf)
total_paginas = len(pdf.pages)
arquivo = ""  # 初始化空字符串存储内容

for pag in range(total_paginas):
    pagina = pdf.pages[pag]
    conteudo_pagina = pagina.extract_text()
    # 仅添加非空文本，避免累积空字符串
    if conteudo_pagina:
        arquivo += conteudo_pagina

print(arquivo)

二、解决3页及之后提取空内容的问题 #

如果修正后仍无法提取3页后的内容，大概率是PyPDF2对该PDF的格式支持不足，可尝试以下方案：

方案1：换用pdfplumber工具 #

pdfplumber的文本提取逻辑更健壮，能处理更多复杂PDF布局：

1. 先安装依赖：

pip install pdfplumber

2. 替换代码：

import pdfplumber

arquivo_pdf = r'D:\PYTHON\PREFEITURA_SP\ATA40221.pdf'
arquivo = ""

with pdfplumber.open(arquivo_pdf) as pdf:
    for pagina in pdf.pages:
        conteudo_pagina = pagina.extract_text()
        if conteudo_pagina:
            arquivo += conteudo_pagina

print(arquivo)

方案2：如果是扫描件（图片型PDF） #

若PDF是扫描生成的（本质是图片集合），普通文本提取工具无法识别，需用OCR工具：

1. 安装依赖：

pip install pytesseract pdf2image

同时需在本地安装Tesseract OCR引擎（根据操作系统选择对应版本）。
2. OCR提取代码：

from pdf2image import convert_from_path
import pytesseract

arquivo_pdf = r'D:\PYTHON\PREFEITURA_SP\ATA40221.pdf'
arquivo = ""

# 将PDF每页转换为图片
pages = convert_from_path(arquivo_pdf)
for page in pages:
    # 识别图片中的文本（lang='por'对应葡萄牙语，可根据PDF语言调整）
    conteudo_pagina = pytesseract.image_to_string(page, lang='por')
    arquivo += conteudo_pagina

print(arquivo)

内容的提问来源于stack exchange，提问作者Fellipe Zambrano