使用PyPDF4读取PDF文本出现乱码，寻求解决方法及替代工具

针对PyPDF4的排查与修复 #

• 尝试编码转码：部分PDF采用非标准字体编码，PyPDF4提取后可能出现编码错位，可尝试对提取的文本进行编码转换：

  # 在提取文本后添加转码逻辑
  raw_text = pageObj.extractText()
  # 尝试常见编码组合，比如latin-1转gbk/utf-8
  try:
      text = raw_text.encode('latin-1').decode('gbk')
  except UnicodeDecodeError:
      try:
          text = raw_text.encode('latin-1').decode('utf-8')
      except UnicodeDecodeError:
          text = raw_text  # 保留原始文本，避免报错
  

• 更新PyPDF4版本：旧版本可能存在编码兼容缺陷，执行pip install --upgrade PyPDF4升级到最新版再测试。

替代的Python PDF处理包 #

如果PyPDF4无法解决问题，以下包对复杂编码PDF的文本提取支持更稳定：

1. PyMuPDF（fitz） #

文本提取精度高，对各类编码和复杂PDF兼容性好：

import glob
import fitz

relevant_path = 'C:\\_Personal\\Mega\\PycharmProjects\\PDFHandler\\docs\\input\\'

if __name__ == '__main__':
    for PDFFile in glob.iglob(relevant_path + '*.pdf', recursive=True):
        print('Processing File: ' + PDFFile.split('\\')[-1])
        doc = fitz.open(PDFFile)
        num_pages = len(doc)
        print(num_pages)
        text = ''
        for page in doc:
            text += page.get_text()
        print(text)

安装命令：pip install pymupdf

2. pdfplumber #

专注文本提取，能保留文本布局，编码处理能力较强：

import glob
import pdfplumber

relevant_path = 'C:\\_Personal\\Mega\\PycharmProjects\\PDFHandler\\docs\\input\\'

if __name__ == '__main__':
    for PDFFile in glob.iglob(relevant_path + '*.pdf', recursive=True):
        print('Processing File: ' + PDFFile.split('\\')[-1])
        with pdfplumber.open(PDFFile) as pdf:
            num_pages = len(pdf.pages)
            print(num_pages)
            text = ''
            for page in pdf.pages:
                text += page.extract_text()
        print(text)

安装命令：pip install pdfplumber

3. pdfminer.six #

pdfminer的Python3分支，可自定义编码参数，适配更多特殊PDF：

import glob
from pdfminer.high_level import extract_text

relevant_path = 'C:\\_Personal\\Mega\\PycharmProjects\\PDFHandler\\docs\\input\\'

if __name__ == '__main__':
    for PDFFile in glob.iglob(relevant_path + '*.pdf', recursive=True):
        print('Processing File: ' + PDFFile.split('\\')[-1])
        text = extract_text(PDFFile)
        print(text)

安装命令：pip install pdfminer.six

内容的提问来源于stack exchange，提问作者Spiffo