为什么我的Tkinter PDF阅读器仅能提取部分PDF文件的文本内容？

问题原因 #

你遇到的提取失败问题不是代码逻辑错误，核心原因如下：

• PyPDF2本身的文本提取能力不足：你用到的extractText()方法实现较早，对无ToUnicode映射的CID字体、非标准编码的文本支持极差，OpenOffice、WPS等工具导出的很多PDF都会出现提取为空的情况，属于库本身的能力缺陷。
• PDF本身的特性限制：
  • 扫描版PDF所有内容均为图片格式，没有内嵌文本层，所有直接提取文本的工具都无法直接读取，需要额外OCR识别
  • 部分PDF设置了权限限制，禁止文本提取操作
  • 部分PDF的文本是通过矢量路径绘制的，不属于标准文本对象，无法直接提取

解决方案 #

优先替换文本提取库，推荐使用pymupdf（也叫fitz）或pdfplumber，这两个库对各类PDF的兼容性远高于PyPDF2，修改成本极低：

1. 安装依赖：

pip install pymupdf

2. 修改代码中open_file函数的文本提取逻辑即可：

def open_file():
    browse_text.set("loading...")
    file = askopenfile(parent=root, mode="rb", title="Choose a file", filetype=[("Pdf file", "*.pdf")])
    if file:
        # 替换原有PyPDF2逻辑
        import fitz
        doc = fitz.open(stream=file.read(), filetype="pdf")
        page = doc[0]
        page_content = page.get_text()

        text_box = tk.Text(root, height=10, width=50, padx=15, pady=15)
        text_box.insert(1.0, page_content)
        text_box.tag_configure("center", justify="center")    
        text_box.tag_add("center", 1.0, "end")
        text_box.grid(row=3, column=1)

        browse_text.set("Browse")

如果需要处理扫描版PDF，需要额外接入OCR工具识别图片中的文字内容。

内容的提问来源于stack exchange，提问作者Naky