Python使用PyPDF2查找PDF特定字符串异常问题求助

问题原因 #

1. 判断逻辑错误：text.find(string)返回-1时（找不到目标字符串），Python会将-1视为布尔真，导致所有页码都被输出。正确判断应为text.find(string) != -1。
2. 文本提取/匹配失效：string in text无效，大概率是PyPDF2提取的文本存在换行、特殊空格，或是PDF内的短语被拆分，导致无法匹配完整内容。

修复方案 #

1. 修正基础判断逻辑 #

把原代码中的判断语句替换为正确逻辑：

# 方案A：用find的正确判断
if text.find(string) != -1:
    print(i + 1)  # 输出从1开始的页码，符合阅读习惯

# 方案B：用in判断，同时处理空文本
if text and string in text:
    print(i + 1)

2. 优化文本匹配精度 #

如果直接匹配无效，尝试统一文本格式或清理冗余字符：

import PyPDF2

# 新版PyPDF2用PdfReader，旧版保留PdfFileReader即可
reader = PyPDF2.PdfReader("20220625.pdf")
target = "SYSTEM WIDE OUTLET SUMMARY"

for idx, page in enumerate(reader.pages):
    text = page.extract_text()
    if not text:
        continue
    # 统一转为大写避免大小写差异，同时替换所有空白符为空格
    cleaned_text = ' '.join(text.split()).upper()
    if target.upper() in cleaned_text:
        print(f"目标短语在页码：{idx + 1}")

3. 更换更可靠的PDF文本提取库 #

PyPDF2的文本提取能力有限，推荐改用pdfplumber，它能更精准地提取PDF文本：

import pdfplumber

target = "SYSTEM WIDE OUTLET SUMMARY"
with pdfplumber.open("20220625.pdf") as pdf:
    for page_num, page in enumerate(pdf.pages, start=1):
        text = page.extract_text()
        if text and target in text:
            print(f"找到目标短语，页码：{page_num}")

4. 处理扫描版PDF（图片PDF） #

如果你的PDF是扫描生成的图片格式，PyPDF2无法提取文本，需要用OCR工具：

from pdf2image import convert_from_path
import pytesseract

target = "SYSTEM WIDE OUTLET SUMMARY"
# 转换PDF为图片
pages = convert_from_path("20220625.pdf")
for page_num, img_page in enumerate(pages, start=1):
    # 识别图片中的文本
    text = pytesseract.image_to_string(img_page)
    if target in text:
        print(f"目标短语在页码：{page_num}")

注意：使用OCR需要提前安装pytesseract和pdf2image，并配置Tesseract OCR环境。

内容的提问来源于stack exchange，提问作者ShazAl