PDF转文本时fi/ff/fl连字被转为空格的问题求助

在使用pdfplumber提取PDF文本时，'fi'、'ff'、'fl'这类连字被识别为空格，会严重影响后续数据库文本匹配的准确性。针对这个问题，可以尝试以下几种解决方案：

方案1：启用use_text_flow参数优化提取 #

pdfplumber的extract_text方法支持use_text_flow参数，开启后会按照文本的阅读逻辑重新梳理字符顺序，能有效处理连字、断行等排版异常。修改代码如下：

fp = 'Inspection_redacted.pdf'

pdf = pdfplumber.open(fp)
fp = fp[:-3] + 'txt'

with open(fp, "w") as text_file:
    for page in pdf.pages:
        # 启用文本流模式优化提取
        text = page.extract_text(use_text_flow=True)
        text_file.write(text)

pdf.close()

这个参数是官方推荐的优化方案，大部分场景下能直接解决连字被转成空格的问题。

方案2：手动映射连字Unicode字符 #

如果方案1无效，可能是PDF中的连字是以特殊Unicode字符存储的（比如fi对应U+FB01、ff对应U+FB00、fl对应U+FB02），pdfplumber没有自动转换。这时可以通过提取单个字符并手动映射的方式处理：

fp = 'Inspection_redacted.pdf'

pdf = pdfplumber.open(fp)
fp = fp[:-3] + 'txt'

with open(fp, "w") as text_file:
    for page in pdf.pages:
        chars = page.chars
        text_content = ""
        for char in chars:
            char_txt = char["text"]
            # 根据PDF实际的连字编码替换
            if char_txt == "\ufb01":
                text_content += "fi"
            elif char_txt == "\ufb00":
                text_content += "ff"
            elif char_txt == "\ufb02":
                text_content += "fl"
            else:
                text_content += char_txt
        text_file.write(text_content)

pdf.close()

使用前可以先打印几个char["text"]的值，确认目标PDF中连字对应的具体编码，再调整映射规则。

注意事项 #

• 优先尝试方案1，操作简单且覆盖大部分场景；
• 若问题仍存在，检查PDF是否嵌入了完整字体，字体缺失或嵌入不完整可能导致字符识别异常；
• 手动映射时需确保编码匹配，不同PDF的连字编码可能存在差异。

内容的提问来源于stack exchange，提问作者Garrett