Azure函数Blob触发器提取PDF文本：字符间多余空格问题

PyPDF2的文本提取机制对部分PDF文件（尤其是采用特殊字体布局或嵌入方式的文件）支持不足，容易出现字符拆分、多余空格的问题。以下是两种有效的解决方式：

方案一：改用PyMuPDF（fitz）提取文本 #

PyMuPDF的文本提取精度远优于PyPDF2，对复杂排版的PDF兼容性更好。具体修改步骤如下：

1. 安装依赖包

pip install pymupdf

2. 替换原有的PDF读取与文本提取代码
   将你原来使用PyPDF2的部分替换为以下代码：

from io import BytesIO
import fitz

stream = BytesIO()
blob_download_pdf.download_to_stream(stream)
# 以PDF格式打开字节流
doc = fitz.open("pdf", stream)
# 提取第一页文本
text_pdf = doc[0].get_text()
# 关闭文档释放资源
doc.close()

方案二：正则清理提取后的文本（临时应急方案） #

如果暂时无法更换依赖库，可以用正则表达式合并连续多余空格，但这种方法可能会误删合理的空格（比如英文单词间的空格），仅建议作为临时处理手段：

import re

# 保留原PyPDF2提取代码
text_pdf = fileReader.getPage(0).extractText()
# 替换连续多个空格为单个空格，并去除首尾空格
cleaned_text = re.sub(r'\s+', ' ', text_pdf).strip()
# 使用cleaned_text替换原text_pdf进行后续上传

替换完成后重新执行代码，提取的文本即可恢复正常格式。

内容的提问来源于stack exchange，提问作者Egidio Gaudioso