使用Python将PDF文本提取到TXT文件时出现提取错误如何解决

问题根因 #

你当前的代码逻辑没有错误，出现缺字、间距异常是PyPDF2自身的文本提取能力局限性导致的：PyPDF2对非标准编码字体、带复杂排版（比如分栏、嵌入式特殊字体、字符间距自定义）的原生PDF适配度低，很容易出现字符丢失、空格错位的问题。

优化方案 #

方案1：替换为pdfplumber库（优先推荐，适配绝大多数原生PDF场景） #

pdfplumber底层基于pdfminer.six开发，文本提取准确率远高于PyPDF2，对中文、特殊排版的兼容性更好，适配你后续批量处理1000份文件的需求。

• 安装命令：pip install pdfplumber
• 单文件提取示例代码：

import pdfplumber
from pathlib import Path

# 确保输出目录存在
output_dir = Path("Extracted")
output_dir.mkdir(exist_ok=True)

with pdfplumber.open(Path('C:/Users/Lui/Desktop/Test/file1.pdf')) as pdf:
    with open(output_dir / "extractPDF.txt", "w", encoding="utf-8") as text_file:
        # 遍历所有页
        for page in pdf.pages:
            # 提取文本，默认会自动优化空格
            page_content = page.extract_text()
            print(page_content)
            text_file.write(page_content + "\n")

方案2：扫描版PDF适配 #

如果你要处理的PDF是扫描件（图片转的PDF，没有内置文本层），需要用OCR工具提取，推荐使用pytesseract配合pdf2image实现，提前安装好Tesseract OCR引擎即可。

批量处理注意事项 #

后续处理1000份文件时，建议增加以下逻辑避免运行中断：

• 遍历目标文件夹下所有PDF文件时增加后缀过滤，避免误处理其他格式文件
• 增加异常捕获逻辑，记录处理失败的文件路径，不需要因为单个文件报错终止全部任务
• 统一指定文件编码为utf-8，避免不同系统下的编码乱码问题

内容的提问来源于stack exchange，提问作者Lui Hellesoe