Python使用PyMuPDF识别PDF首字下沉异常的解决办法

方案1：启用PyMuPDF的OCR功能 #

如果首字下沉的字符是特殊矢量字体或PDF存在字体嵌入问题，普通文本提取无法识别，可通过OCR图像识别来获取正确内容。

首先安装带OCR支持的PyMuPDF：

pip install pymupdf[ocr]

修改提取代码：

import fitz

doc = fitz.open(filename)
# 指定OCR语言为英文（根据文档语言调整，比如中文用"chi_sim"）
for page in doc:
    text_blocks = page.get_text("blocks", ocr=True, ocr_lang="eng")
    for block in text_blocks:
        print(block[4])

方案2：查看文本元数据排查字体问题 #

通过dict格式提取文本，查看首字下沉字符的字体信息，判断是否是特殊字体导致的乱码：

import fitz

doc = fitz.open(filename)
for page in doc:
    text_dict = page.get_text("dict")
    for block in text_dict["blocks"]:
        if "lines" in block:
            for line in block["lines"]:
                for span in line["spans"]:
                    print(f"字体名称: {span['font']}, 字符内容: {span['text']}")

如果发现对应字符使用了非标准字体，可以尝试手动映射字符编码，但这个方法复杂度较高，适合有字体处理经验的场景。

方案3：换用其他PDF提取库 #

不同库的文本解析算法存在差异，比如pdfplumber对复杂排版的支持更友好，可尝试对比：

首先安装pdfplumber：

pip install pdfplumber

提取代码示例：

import pdfplumber

with pdfplumber.open(filename) as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

内容的提问来源于stack exchange，提问作者Esraa Abdelmaksoud