使用pdfplumber提取PDF文本时出现(cid:x)问题的解决方法

出现大量(cid:x)是因为目标PDF使用了CID字体，字符未映射到标准Unicode编码，导致pdfplumber默认的文本提取无法解析这些字符。以下是两种可行的解决方法：

方法一：调整PDFplumber提取参数 #

尝试启用布局分析模式，该模式能更好地处理非标准字体的文本排版：

with pdfplumber.open(fatura) as pdf:
    fatura_individual = ''
    for pagina in pdf.pages:
        # 启用布局分析，优化非标准字体的文本提取
        text = pagina.extract_text(layout=True)
        if text:
            fatura_individual += text

方法二：结合OCR工具提取文本 #

如果调整参数后仍无效，说明PDF的字体编码完全缺失（比如扫描生成的PDF），此时需要用OCR基于图像识别文本：

1. 先安装依赖：

pip install pytesseract pdf2image

注意：需在本地安装Tesseract OCR引擎，并根据文档语言配置对应的语言包（比如葡萄牙语包por、中文包chi_sim）。

2. 提取代码：

import pytesseract
from pdf2image import convert_from_path

# 将PDF页面转为图片
pages = convert_from_path(fatura)
fatura_individual = ''

for page in pages:
    # 执行OCR提取文本，lang参数指定文档语言
    text = pytesseract.image_to_string(page, lang='por')
    fatura_individual += text

内容的提问来源于stack exchange，提问作者foliveir