Python库实现PDF转TXT时文本提取不全/出错，求解决方案

针对你遇到的问题，结合PDF的两种常见类型（原生可编辑PDF、扫描件PDF），给出以下针对性技术方案：

一、针对原生可编辑PDF：用pdfplumber优化提取逻辑 #

原生PDF出现提取错误，大多是因为文本分层、内嵌字体或布局复杂导致基础库解析失效，pdfplumber对复杂布局的支持远优于pdfminer/pdftotext：

import pdfplumber

def convert_pdf_to_txt(path):
    full_text = ""
    with pdfplumber.open(path) as pdf:
        for page in pdf.pages:
            # 启用布局分析，保留文本排版结构，避免错乱
            page_text = page.extract_text(layout=True)
            if page_text:
                full_text += page_text + "\n\n"
    return full_text

# 调用示例
pdf_path = '/content/drive/MyDrive/PDF/file.pdf'
extracted_text = convert_pdf_to_txt(pdf_path)

# 保存时指定UTF-8编码，避免乱码
with open('extracted_text.txt', 'w', encoding='utf-8') as file:
    file.write(extracted_text)

print('文本已保存到"extracted_text.txt"文件。')

如果仍有缺失，可尝试逐个提取单词再拼接：

# 替换extract_text部分
words = page.extract_words()
page_text = " ".join([word['text'] for word in words])

二、针对扫描件（图片型PDF）：升级OCR模型 #

如果你的PDF是扫描件，pytesseract默认模型精度远低于专业在线工具，可换用以下方案：

选项1：用EasyOCR（免费、多语言、高精度） #

EasyOCR的预训练模型比Tesseract默认版本更精准，无需额外训练：

import easyocr
from pdf2image import convert_from_path
import os

def convert_scanned_pdf_to_txt(path):
    # 高DPI转换PDF为图片，提升识别精度
    pages = convert_from_path(path, dpi=300)
    # 根据PDF语言调整，比如['zh-cn', 'en']支持中英混合
    reader = easyocr.Reader(['en'])
    full_text = ""
    
    for idx, page in enumerate(pages):
        temp_img = f"temp_page_{idx}.jpg"
        page.save(temp_img, 'JPEG')
        # 识别文本，detail=0只返回纯文本
        result = reader.readtext(temp_img, detail=0)
        full_text += "\n".join(result) + "\n\n"
        os.remove(temp_img)
    
    return full_text

# 调用示例同原生PDF

选项2：调用云OCR API（效果与在线工具一致） #

如果在线工具用的是云服务（如Google Cloud Vision、AWS Textract），直接调用对应API可获得相同效果，以Google Cloud Vision为例：

from google.cloud import vision
from pdf2image import convert_from_path
import io

def convert_with_cloud_vision(path):
    client = vision.ImageAnnotatorClient()
    pages = convert_from_path(path, dpi=300)
    full_text = ""
    
    for page in pages:
        img_byte_arr = io.BytesIO()
        page.save(img_byte_arr, format='JPEG')
        image = vision.Image(content=img_byte_arr.getvalue())
        # 文档级OCR，保留排版
        response = client.document_text_detection(image=image)
        full_text += response.full_text_annotation.text + "\n\n"
    
    return full_text

（需提前配置Google Cloud服务账号，适合高精度需求场景）

三、处理特殊情况 #

1. 加密PDF #

先解密再提取：

from PyPDF2 import PdfReader, PdfWriter

def decrypt_pdf(input_path, output_path):
    reader = PdfReader(input_path)
    if reader.is_encrypted:
        # 无密码加密传空字符串，有密码则传入对应密码
        reader.decrypt("")
        writer = PdfWriter()
        for page in reader.pages:
            writer.add_page(page)
        with open(output_path, 'wb') as f:
            writer.write(f)
    return output_path

# 先解密再调用提取函数
decrypted_pdf = decrypt_pdf(pdf_path, 'decrypted_file.pdf')
extracted_text = convert_pdf_to_txt(decrypted_pdf)

2. 内嵌字体乱码 #

用pdftotext的-layout参数强制保留布局：

import subprocess

def convert_with_pdftotext(path):
    # 调用系统pdftotext命令，-layout参数保留原始排版
    subprocess.run(["pdftotext", "-layout", path, "extracted_text.txt"], check=True)

验证步骤 #

1. 先判断PDF类型：用阅读器尝试选中文本，能选中则为原生PDF，不能则为扫描件；
2. 对应选择上述方案，优先用pdfplumber处理原生PDF，EasyOCR处理扫描件；
3. 若仍有问题，用pdfplumber的page.objects查看PDF内所有文本对象，排查是否存在隐藏文本或分层文本。

内容的提问来源于stack exchange，提问作者Olivalej