阿拉伯语PDF文本提取出现反向问题的技术求助

问题核心 #

PyPDF2对从右到左（RTL）的阿拉伯语排版支持不足，提取时会打乱字符顺序，而单纯用arabic-reshaper、python-bidi或全局反转文本，会导致括号、标点等非阿拉伯语元素位置错误。

可行解决方法 #

1. 更换PDF提取工具 #

PyPDF2在RTL语言处理上表现较差，换成更专业的工具能直接解决大部分问题：

• pdfplumber：对复杂排版的文本识别更精准，能更好保留阿拉伯语的原生顺序：

  import pdfplumber
  
  with pdfplumber.open("你的阿拉伯语PDF文件.pdf") as pdf:
      page = pdf.pages[0]
      extracted_text = page.extract_text()
      print(extracted_text)
  

• PyMuPDF（fitz）：多语言排版支持更优，提取的RTL文本顺序更符合预期：

  import fitz
  
  doc = fitz.open("你的阿拉伯语PDF文件.pdf")
  extracted_text = ""
  for page in doc:
      extracted_text += page.get_text()
  print(extracted_text)
  

2. 针对性修复已提取的错误文本 #

如果必须用PyPDF2的提取结果，可以只反转阿拉伯语字符子串，保留非阿拉伯语元素的位置：

import re

def fix_arabic_text(raw_text):
    # 匹配连续的阿拉伯语字符（Unicode范围U+0600-U+06FF）
    arabic_chars = re.compile(r'[\u0600-\u06FF]+')
    # 仅反转阿拉伯语字符序列，其他字符保持原样
    fixed_text = arabic_chars.sub(lambda match: match.group()[::-1], raw_text)
    return fixed_text

# 测试你的示例文本
sentence = "AR.(ةناشطع ♀) ناشطع نينكلو (ةعئاج تسل ♀) ،اعئاج تسل"
fixed_sentence = fix_arabic_text(sentence)
print(fixed_sentence)

3. 正确结合arabic-reshaper和python-bidi #

先修复字符顺序，再用这两个工具处理字形和双向渲染：

import arabic_reshaper
from bidi.algorithm import get_display

# 先用上面的fix_arabic_text修复顺序
fixed_text = fix_arabic_text(sentence)
# 处理阿拉伯语连写等字形问题
reshaped_text = arabic_reshaper.reshape(fixed_text)
# 应用双向文本算法得到最终正确显示的文本
final_text = get_display(reshaped_text)
print(final_text)

4. 处理图像型PDF #

如果PDF中的阿拉伯语文本是嵌入的图像，需要先做OCR识别：
用pytesseract结合pdf2image提取图像中的文本，记得安装阿拉伯语OCR语言包：

from pdf2image import convert_from_path
import pytesseract

# 转换PDF页面为图像
pages = convert_from_path("图像型阿拉伯语PDF.pdf")
extracted_text = ""
for page in pages:
    # 指定阿拉伯语语言包（需提前安装tesseract的ara语言包）
    extracted_text += pytesseract.image_to_string(page, lang='ara')
print(extracted_text)

内容的提问来源于stack exchange，提问作者Luke