PyPDF2 extract_text()提取PDF文本乱码，该如何解决？

一、换用更可靠的文本提取工具 #

• 弃用默认的extract_text()，改用PyMuPDF（fitz）的文本提取方法，它对非拉丁字符的编码兼容性更好：

  import fitz
  doc = fitz.open("目标文件.pdf")
  target_page = doc[页码]
  # 提取纯文本，也可用"blocks"获取带位置的结构化文本
  raw_text = target_page.get_text("text")
  

• 若仍有异常，尝试get_text("raw")获取更底层的文本数据，再做编码修正。

二、手动清理异常字符 #

针对提取出的乱码（比如示例中的á），可通过正则过滤或字符映射修正：

• 保留目标字符集（以你示例中的梵语系字符为例），过滤无关字符：

  import re
  # 仅保留梵语字符、空格和/符号，移除其他异常字符
  cleaned_text = re.sub(r'[^\u0900-\u097F\s/]', '', raw_text)
  

• 若已知错误字符的对应关系，可直接批量替换，比如cleaned_text = raw_text.replace("á", "")。

三、用OCR提取视觉文本（针对字体编码损坏的PDF） #

如果PDF内嵌字体编码有问题，直接通过视觉识别提取准确文本：

import pytesseract
from PIL import Image
import fitz

doc = fitz.open("目标文件.pdf")
target_page = doc[页码]
# 将PDF页面转为图片
pix = target_page.get_pixmap()
img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
# 指定对应语言包（梵语为"san"，需提前安装tesseract对应语言包）
accurate_text = pytesseract.image_to_string(img, lang="san")

四、提取正确文本后裁剪PDF #

确认最后一个单词所在的页面或位置后，用PyMuPDF裁剪PDF：

output_doc = fitz.open()
# 假设需要保留到第n页（从0开始计数）
for page_idx in range(n + 1):
    output_doc.insert_pdf(doc, from_page=page_idx, to_page=page_idx)
output_doc.save("裁剪后的文件.pdf")
# 关闭文档释放资源
output_doc.close()
doc.close()

内容的提问来源于stack exchange，提问作者AmanKP