如何用Python解决PDF阿拉伯语文本提取的RTL格式错误问题

PyPDF2对阿拉伯语这类RTL（从右到左）语言的文本提取支持有限，尤其是处理连写字形、混合拉丁字符的场景时，容易出现字符顺序错乱、字形错误的问题。以下是几种可行的解决方案：

方案1：换用对RTL支持更好的PDF提取库 #

使用PyMuPDF（fitz） #

PyMuPDF对复杂排版的非LTR语言适配性更强，能更准确提取阿拉伯语文本。示例代码：

import csv
import fitz  # PyMuPDF

# 打开PDF文件
pdf_file = fitz.open('1.pdf')
# 获取第一页
first_page = pdf_file[0]
# 提取文本
arabic_text = first_page.get_text()
pdf_file.close()

# 写入CSV
with open('output.csv', 'w', newline='', encoding='utf-8') as csv_file:
    writer = csv.writer(csv_file)
    writer.writerow(['Arabic Text'])
    writer.writerow([arabic_text])

print("提取完成，文本已保存到output.csv")

使用pdfplumber #

pdfplumber同样对多语言排版有较好支持，提取逻辑更精细：

import csv
import pdfplumber

with pdfplumber.open('1.pdf') as pdf:
    first_page = pdf.pages[0]
    arabic_text = first_page.extract_text()

# 写入CSV
with open('output.csv', 'w', newline='', encoding='utf-8') as csv_file:
    writer = csv.writer(csv_file)
    writer.writerow(['Arabic Text'])
    writer.writerow([arabic_text])

print("提取完成，文本已保存到output.csv")

方案2：修复提取后的RTL文本（针对仍有问题的场景） #

如果换库后仍存在文本顺序或字形错误，可以用arabic_reshaper和python-bidi库来修正：

1. 先安装依赖：

pip install arabic-reshaper python-bidi

2. 修正文本的示例代码：

import csv
import fitz
import arabic_reshaper
from bidi.algorithm import get_display

# 提取文本
pdf_file = fitz.open('1.pdf')
arabic_text_raw = pdf_file[0].get_text()
pdf_file.close()

# 修正RTL文本
reshaped_text = arabic_reshaper.reshape(arabic_text_raw)
corrected_text = get_display(reshaped_text)

# 写入CSV
with open('output.csv', 'w', newline='', encoding='utf-8') as csv_file:
    writer = csv.writer(csv_file)
    writer.writerow(['Arabic Text'])
    writer.writerow([corrected_text])

print("提取并修正完成，文本已保存到output.csv")

关键说明 #

• 阿拉伯语的复杂字形（比如连写、变体）需要专门的字形重组处理，PyPDF2没有内置这类逻辑，而PyMuPDF/pdfplumber在底层渲染时已经处理了部分RTL排版逻辑。
• 混合拉丁字符的场景下，python-bidi能正确处理LTR和RTL文本的混合排列顺序，避免字符错乱。

内容的提问来源于stack exchange，提问作者luca sala