Python3无需本地下载 从URL读取PDF第一页出现乱码问题咨询

问题原因 #

你当前代码的URL请求、内存加载PDF的逻辑完全正确，输出乱码是因为PyPDF2库的文本解析能力有限，无法兼容该PDF使用的特殊字体编码，该问题和是否将PDF保存到本地无关。

修复方案 #

使用兼容性更强的pdfplumber库替换PyPDF2即可解决绝大多数非扫描版PDF的乱码问题：

1. 安装依赖

pip install pdfplumber

2. 完整可运行代码

import io
import urllib3
import pdfplumber

# 关闭SSL警告
urllib3.disable_warnings()

# 测试用目标PDF链接
url = "http://www.ain.gouv.fr/IMG/pdf/aprejetdae20210709enligne.pdf"

with urllib3.PoolManager() as http:
    resp = http.request('GET', url)
    # 内存加载PDF字节流，无需保存本地
    with io.BytesIO(resp.data) as byte_f, pdfplumber.open(byte_f) as pdf_reader:
        # 提取第一页文本按换行分割
        first_page_content = pdf_reader.pages[0].extract_text().split('\n')
        print(first_page_content)

特殊情况说明 #

如果目标PDF是扫描件（内容为图片格式，无内嵌可编辑文本），需要额外接入OCR工具对PDF页面做图像识别后才能提取文本。

内容的提问来源于stack exchange，提问作者Olfa