PDF提取阿拉伯文本时RTL连字错位问题及解决办法咨询

• 调整PyMuPDF提取参数拆分连字
  PyMuPDF（fitz）自带禁用连字的选项，提取时强制拆分连字为原始字符，避免后续处理出错：

  import fitz
  doc = fitz.open("目标文件.pdf")
  page = doc[0]
  # 启用文本提取+禁用连字合并
  raw_text = page.get_text(flags=fitz.TEXTFLAGS_TEXT | fitz.TEXTFLAGS_NO_LIGATURES)
  

  这样提取的文本会保留"لا"对应的uni0644和uni0627原始字符，再用双向算法处理顺序就能得到正确结果。

• 用python-bidi+arabic-reshaper组合修正显示
  单独用bidi算法不足以处理阿拉伯语的字形变化，配合整形库能同时解决顺序和连字问题：

  from bidi.algorithm import get_display
  from arabic_reshaper import reshape
  
  # 假设已提取到原始文本
  processed_text = get_display(reshape(raw_text))
  # 此时输出应为正确的"الشــــــتراك"
  

  关键是要先确保提取的文本是未合并连字的原始字符，否则整形库无法正确识别。

• 别自己写连字分解逻辑
  完全没必要自行实现双向文本连字分解，现有工具已经覆盖了绝大多数场景：

  • PyMuPDF的TEXTFLAGS_NO_LIGATURES直接从PDF底层拿到原始字符，跳过连字合并；
  • arabic-reshaper自动处理阿拉伯语的连字、字形变体，搭配python-bidi的RTL顺序调整，就能输出正确的显示文本。

• PDFMiner的对应优化
  如果用PDFMiner，修改LAParams禁用连字即可：

  from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
  from pdfminer.converter import TextConverter
  from pdfminer.layout import LAParams
  from pdfminer.pdfpage import PDFPage
  import io
  
  def extract_arabic_text(pdf_path):
      rsrcmgr = PDFResourceManager()
      retstr = io.StringIO()
      # 禁用连字处理
      laparams = LAParams(ligatures=False)
      device = TextConverter(rsrcmgr, retstr, laparams=laparams)
      with open(pdf_path, 'rb') as fp:
          interpreter = PDFPageInterpreter(rsrcmgr, device)
          for page in PDFPage.get_pages(fp):
              interpreter.process_page(page)
      text = retstr.getvalue()
      device.close()
      retstr.close()
      return text
  

  提取后同样用python-bidi和arabic-reshaper处理显示。

内容的提问来源于stack exchange，提问作者Naourass Derouichi