使用PyMuPDF提取PDF文本为何返回空列表？

1. 代码本身的问题：缺少输出语句 #

你的代码逻辑没问题，但最后只是将提取结果赋值给了text变量，没有打印输出，所以看不到任何内容。在if __name__ == '__main__':代码块末尾添加print(text)，就能看到返回的列表内容了。

2. PDF本身是图片转的，无原生文本 #

从文件名png2pdf.pdf来看，这个PDF大概率是由图片转换而来的。这类PDF的内容是图像数据，没有可直接提取的原生文本，所以page.get_text()会返回空字符串，最终得到空列表。

这种情况需要用OCR（光学字符识别）提取图片中的文本，以下是结合PyMuPDF和Tesseract OCR的修改方案：

先安装依赖 #

pip install pymupdf pytesseract pillow

另外需要单独安装Tesseract OCR引擎：

• Mac：通过Homebrew安装 brew install tesseract
• Windows：从官方渠道下载安装包，安装后需将Tesseract的可执行文件路径添加到系统环境变量中

修改后的代码 #

import fitz
import pytesseract
from PIL import Image

def extract_text_from_pdf(file_path):
    pdf_document = fitz.open(file_path)
    text = []
    for page in pdf_document:
        # 先尝试提取原生文本
        page_text = page.get_text()
        if page_text.strip():
            text.append(page_text)
        else:
            # 提取不到则转成图片做OCR
            pix = page.get_pixmap()
            img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
            ocr_text = pytesseract.image_to_string(img)
            text.append(ocr_text)
    pdf_document.close()
    return text

if __name__ == '__main__':
    file_path = "/Users/conor/Desktop/projects/png2pdf.pdf"
    text = extract_text_from_pdf(file_path)
    print(text)  # 打印提取结果

内容的提问来源于stack exchange，提问作者john da bon