PyPDF2是否支持横向模式PDF的文本提取？为何提取失败？

PyPDF2本身支持读取横向模式的PDF文档，页面方向（纵向/横向）通常不是直接导致文本提取失败的核心原因，但会和字体嵌入情况、PDF内部文本结构共同影响提取结果。结合你的情况，提取失败更可能和以下因素有关：

可能的原因 #

• 字体嵌入问题：Rockwell这类Slab Serif字体如果未被完整嵌入PDF，或仅嵌入了子集，PyPDF2无法识别字符与字形的映射关系，导致提取失败。而Helvetica是通用无衬线字体，多数PDF会正确嵌入，或PyPDF2内置了该字体的映射规则。
• 文本渲染方式：如果横向页面的文本是扫描生成的图像，或通过矢量路径绘制（而非可选择的文本对象），PyPDF2的文本提取功能无法识别这类内容，因为它仅处理PDF中存储的结构化文本。
• 页面旋转的坐标偏移：部分横向PDF实际是纵向页面旋转90度生成的，PyPDF2提取时可能因坐标系统未修正，导致文本解析混乱，出现提取为空或乱码的情况。
• PyPDF2的字体支持局限性：PyPDF2对非标准字体、特殊编码的支持较弱，相比PyMuPDF等现代库，处理复杂字体的能力不足。

解决方法 #

1. 检查文本是否可选择
   打开目标PDF，尝试选中横向页面的文本：

   • 如果无法选中，说明文本是图像化内容，需要结合OCR工具（如pytesseract）提取。
   • 如果可以选中，继续尝试以下步骤。

2. 修正页面旋转
   在提取前先处理页面的旋转属性，确保坐标系统正确：

   text = ""
   pdf = PdfFileReader('TEST.pdf', 'rb')
   for i in range(pdf.getNumPages()):
       page = pdf.getPage(i)
       # 修正页面旋转角度
       rotate_angle = page.get('/Rotate') or 0
       if rotate_angle != 0:
           page = page.rotateClockwise(-rotate_angle)
       text += page.extractText()
   print(text)
   

3. 更换更强大的文本提取库
   推荐使用PyMuPDF（fitz），它对复杂字体、各种页面方向的PDF支持更完善：

   import fitz  # 需先安装：pip install pymupdf
   text = ""
   doc = fitz.open('TEST.pdf')
   for page in doc:
       text += page.get_text()
   print(text)
   

4. 检查字体嵌入状态
   通过PDF阅读器的「文件-属性-字体」查看Rockwell字体的嵌入状态：

   • 如果显示“未嵌入”或“子集嵌入”，可尝试重新生成PDF时完整嵌入字体，再进行提取。

内容的提问来源于stack exchange，提问作者Lofton Gentry