将PDF转TXT时出现随机空格，是PyPDF2的问题吗？

问题代码 #

import PyPDF2

# open the pdf file
pdfFileObj = open('pdfFile.pdf', 'rb')

# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# looping through all the pages of the pdf
for page in range(pdfReader.numPages):

    # creating a page object
    pageObj = pdfReader.getPage(page)

    # extracting text from page
    text = pageObj.extractText()

    # writing text to a txt file
    file = open('txtFile.txt', 'a+', encoding='utf-8')
    file.write(text)
    file.close()

# closing the pdf file object
pdfFileObj.close()

问题描述 #

使用上述代码将计算机生成的德语PDF转换为TXT时，出现无规律的随机空格问题：原PDF中的单词会被莫名拆分，例如“The apple is red.”变成“The ap ple is red.”，“Apple”变成“A pple”、“Banana”变成“Bana na”，找不到固定的出现模式。

原因分析 #

• PyPDF2的文本提取逻辑局限：PyPDF2是基于PDF内的文本块位置拼接内容的。计算机生成的PDF中，部分单词的字符可能被拆分为多个独立的文本绘制单元（比如为了排版对齐，字符被分开放置），PyPDF2会把这些单元间的间隙识别为空格，导致单词拆分。
• 德语特殊字符的处理问题：德语包含ä、ö、ü、ß等变音符号，部分PDF生成工具处理这些字符时，会将其与相邻字符拆分为不同文本块，PyPDF2提取时会在中间插入空格。
• PDF内部排版结构影响：部分PDF为实现特定排版效果（如字间距调整、换行优化），会将单个单词拆分为多个小文本段，PyPDF2无法识别这些属于同一个单词，直接按空格拼接。

解决方案 #

1. 更换更专业的文本提取库 #

推荐使用PyMuPDF（fitz）或pdfplumber，它们对PDF文本结构的解析更智能，能有效减少这类错误空格：

# 使用PyMuPDF的示例代码
import fitz

doc = fitz.open("pdfFile.pdf")
with open("txtFile.txt", "w", encoding="utf-8") as output_file:
    for page in doc:
        page_text = page.get_text()
        output_file.write(page_text)
doc.close()

2. 对提取后的文本做后处理清理 #

如果坚持使用PyPDF2，可以用正则表达式清理错误空格（注意：可能误删正常空格，需针对德语文本调整）：

import re

# 提取文本后执行清理
cleaned_text = re.sub(r'([a-zA-ZäöüÄÖÜß]) ([a-zA-ZäöüÄÖÜß])', r'\1\2', text)

内容的提问来源于stack exchange，提问作者MBx271