使用PyPDF2、PyMuPDF提取PDF文本出现乱码，原因是什么？

• 排查PDF类型：如果你的PDF是扫描生成的图片型PDF，常规文本提取工具（PyPDF2、PyMuPDF）无法直接提取文本，需要结合OCR识别：
  安装依赖：pip install pytesseract pillow pymupdf，同时需安装Tesseract OCR引擎（Ubuntu：sudo apt install tesseract-ocr tesseract-ocr-chi-sim；Windows需下载安装包并配置环境变量）。
  示例代码：

  import fitz
  import pytesseract
  from PIL import Image
  import io
  
  filename = "test2.pdf"
  with fitz.open(filename) as pdf:
      for page_num, page in enumerate(pdf):
          image_list = page.get_images(full=True)
          for img_index, img in enumerate(image_list):
              xref = img[0]
              base_image = pdf.extract_image(xref)
              image_bytes = base_image["image"]
              image = Image.open(io.BytesIO(image_bytes))
              # 中文识别需指定lang='chi_sim'，英文可省略
              text = pytesseract.image_to_string(image, lang='chi_sim')
              print(f"第{page_num+1}页 图片{img_index+1}文本:\n{text}")
  

• 换用更适配字体的工具：部分PDF因未嵌入字体导致提取乱码，可尝试使用pdfplumber，它对字体映射的处理更完善：
  安装依赖：pip install pdfplumber
  示例代码：

  import pdfplumber
  
  with pdfplumber.open("test2.pdf") as pdf:
      for page in pdf.pages:
          print(page.extract_text())
  

• 调整PyMuPDF提取参数：尝试移除sort=True，或改用按块提取的方式整理文本：

  filename = "test2.pdf"
  with fitz.open(filename) as f:
      for p in f:
          # 按块提取文本并排序
          blocks = p.get_text("blocks")
          blocks.sort(key=lambda b: (b[1], b[0]))
          text = "\n".join([block[4] for block in blocks])
          print("\n\n")
          print(text)
  

内容的提问来源于stack exchange，提问作者Hemil Parmar