PyPDF2提取PDF文本换行错乱 无法按原排版逐行读取问题

PyPDF2 自带的extractText()方法没有排版感知能力，它只会严格按照PDF内部内容流的文本写入顺序提取内容，完全不会参考字符在页面上的实际坐标位置判断排版关系。你遇到的单字、单个数字被硬插换行拆成单独行的问题，本质是测试用的这份PDF在生成时，把短文本片段甚至单个字符都作为独立对象写入了内容流，虽然视觉上这些内容是连在同一行的，但PyPDF2不会做自动拼接，就会输出错乱的换行。
你原来代码里用split(" ")拆分文本的逻辑也没有任何排版依据，只会进一步放大提取错乱的问题。

方案1（推荐，成本最低） #

换用带坐标排版判断能力的提取库pdfplumber，这个库会自动读取每个字符的X/Y轴坐标，按视觉位置自动拼接同行文本、过滤错误硬换行，不需要自己写排版判断逻辑，绝大多数常规PDF都能直接还原出和原文档一致的逐行内容。

1. 先安装依赖：

   pip install pdfplumber
   

2. 提取代码示例：

   import pdfplumber
   
   pdf_path = r'C:\Users\PDFExample\Desktop\Temp\sample.pdf'
   with pdfplumber.open(pdf_path) as pdf:
       for page_num, page in enumerate(pdf.pages):
           print(f"Page No: {page_num}")
           # 直接提取即可得到按视觉行排版的文本
           print(page.extract_text())
   

   跑提供的测试样例，这段代码可以直接输出预期的、和原PDF排版一致的逐行文本。

方案2（仅适合必须保留PyPDF2依赖的场景） #

如果项目要求必须用PyPDF2不能换库，就需要手动提取每个字符的坐标信息，自行做排版聚类：

• 先提取页面内所有带坐标的字符对象
• 按字符的Y轴坐标做分组，Y轴差值在当前页字体行高阈值内的字符判定为同一行
• 同一行内的字符按X轴坐标从左到右排序，拼接成完整行文本
  这个方案需要自己适配不同PDF的行高偏差、分栏、上下标等特殊排版，兼容成本很高，非必要不选择。

注意：不要尝试用正则、固定分隔符拆分PyPDF2直接输出的原始文本来还原排版，这类方法没有任何位置信息做依据，换一份PDF就会完全失效。

内容的提问来源于stack exchange，提问作者Himanshu Poddar