使用PyPDF2读取英文PDF出现乱码，如何正确提取文本？

问题背景 #

使用PyPDF2（或pypdf）提取特定PDF第41页文本时出现乱码，执行代码如下：

pageObj = PyPDF2.PdfReader(open(path_to_the_file, 'rb')).pages  # 创建PDF读取对象
page_41 = pageObj[40].extract_text()

提取得到的乱码内容示例：

䩯桮⁈慮捯捫⁕十 䱩晥獴祬攠䅧杲敳獩癥 102,734
䩯桮⁈慮捯捫⁕十 䱩晥獴祬攠䝲潷瑨 159,791
䩯桮⁈慮捯捫⁕十 䱩晥獴祬攠䉡污湣敤 285,623
䩯桮⁈慮捯捫⁕十 䱩晥獴祬攠䵯摥牡瑥 9,130
䩯桮⁈慮捯捫⁕十 䱩晥獴祬攠䍯湳敲癡瑩癥 ㌰ⰶ㔰

这类乱码问题约在5%的PDF文件中出现，经测试切换至PyMuPDF库后可正常提取文本，确认问题源于PyPDF系列库的兼容性缺陷。

可行解决方案 #

1. 替换为PyMuPDF（fitz）提取文本 #

PyMuPDF对复杂PDF的字体编码解析、字符映射支持更完善，是解决此类问题的最优方案，示例代码：

import fitz

# 打开目标PDF
doc = fitz.open(path_to_the_file)
# 获取第41页（索引从0开始）
target_page = doc[40]
# 提取页面文本
page_41_text = target_page.get_text()
# 关闭文档
doc.close()

2. PyPDF系列库的临时修复方案（仅部分场景有效） #

若因需求限制必须使用PyPDF系列库，可尝试以下操作：

• 升级至最新版本：执行pip install --upgrade pypdf，新版本可能修复了部分编码兼容问题
• 指定提取编码：尝试在extract_text()中手动指定编码（如extract_text(encoding='utf-8')），但仅能解决少数简单编码异常场景

问题根源 #

PyPDF系列库在处理嵌入非标准字体、自定义字符编码映射的PDF时，无法正确建立字体与字符的对应关系，导致提取出的文本显示为乱码；而PyMuPDF的文本提取引擎对这类复杂PDF的兼容性更强，可准确识别并解析字体编码规则。

内容的提问来源于stack exchange，提问作者John s