PyPDF2解析不同PDF文本格式差异原因及解决咨询

• PDF内部存储结构不同：简单PDF多采用直接存储可读文本的方式，字符按逻辑顺序排列，PyPDF2可以直接提取出正常文本。而业务PDF为实现复杂排版（如精细表格、特殊布局、动态内容），会将文本与绘图指令、坐标控制代码混合在**内容流（Content Stream）**中存储，PyPDF2无法完整剥离这些排版指令，就会把指令和文本混在一起输出。
• 字体编码不匹配：业务PDF常使用自定义编码、嵌入特殊字体（如企业定制字体），或采用非标准字符映射规则。PyPDF2默认依赖标准编码表（如WinAnsi）进行字符转换，当编码规则不匹配时，提取出的就是编码后的乱码字符，而非可读文本。简单PDF则多使用通用编码，解析难度低。
• 文本碎片化存储：为实现精准排版，业务PDF可能将同一语义的文本拆分为多个碎片化文本块，甚至打乱存储顺序。PyPDF2提取时仅按原始存储顺序拼接内容，导致输出文本混乱、夹杂无效指令；而简单PDF的文本通常是连续、按逻辑顺序存储的。
• PyPDF2的解析局限性：PyPDF2对复杂PDF的支持不足，它更适配结构简单、排版常规的PDF文件。面对包含加密、压缩、高级排版逻辑的业务PDF，它无法完整解析其中的排版规则，自然输出不可读的混合内容。

内容的提问来源于stack exchange，提问作者Sergey Samokhvalov