PyPDF2/pdfplumber提取非空PDF页面返回空文本问题排查

你的文本提取代码逻辑不存在问题——遍历页面调用extract_text()是PyPDF2的标准用法，且同逻辑处理其他PDF正常、两个不同技术栈的解析库返回一致空结果，说明问题完全出在目标PDF本身的特性上，常见诱因有4种：

• 纯扫描型无文本层PDF：文件本质是扫描得到的页面图像拼接生成，没有内嵌可直接提取的结构化文本数据。你可以在Acrobat中尝试拖动选中文本，如果只能框选整块图像区域、无法选中单独文字，就属于这类情况。
• 自定义字体缺失Unicode映射：PDF内嵌了私有编码规则的自定义字体，但没有附带ToUnicode字符映射表，文本在文件中仅存储字形绘制路径/字形ID，没有和标准Unicode字符的对应关系，解析工具无法将绘制信息转换为可读文本。这类PDF在Acrobat中可以选中文字，但直接复制粘贴到记事本也会得到空内容或乱码。
• 文本提取权限限制：PDF设置了文档安全权限，明确禁止内容复制/提取，部分解析库遇到这类权限标记不会抛出错误，会直接返回空文本。你可以在Acrobat的「文档属性-安全性」栏查看是否存在「内容复制：不允许」的标记。
• 反爬内容混淆处理：部分PDF为了防止批量爬取内容，会将文本拆分为单字随机打乱坐标、将文本层设置为透明/用白色图层遮挡、或插入大量零宽无效字符，按内容流顺序提取的常规工具会得到空值或乱序无效内容。

1. 先做基础校验：在Acrobat中打开目标文件，选中页面可见文字复制粘贴到纯文本编辑器，如果粘贴结果同样为空或乱码，即可完全排除代码和解析库的问题。
2. 针对不同诱因对应处理：
   • 若为纯扫描型PDF：直接走OCR识别流程即可，比如用pdf2image将PDF每页转换为高分辨率图片，再配合pytesseract做文字识别，也可以直接选用自带OCR能力的PDF处理库。
   • 若为字体映射缺失/内容混淆类PDF：先尝试换用兼容性更强的解析库测试，比如PyMuPDF（fitz）的文本提取引擎对特殊编码、不规则排版的兼容性优于PyPDF2和pdfplumber；如果还是无法提取，同样走渲染后OCR的流程，这是兼容性最高的兜底方案。
   • 若为权限限制类PDF：在你拥有该文件合法处理权限的前提下，可以用qpdf工具移除权限限制后再做提取，对应命令为：

     qpdf --decrypt 输入文件.pdf 解密后输出文件.pdf
     

3. 版本兼容兜底：如果使用的PyPDF2版本低于2.0，先执行pip install --upgrade PyPDF2升级到最新版，旧版本对新PDF标准、特殊压缩格式的兼容性存在较多已知问题。

内容的提问来源于stack exchange，提问作者harsh kantariya