使用PyPDF2与PyPDF4提取PDF文本返回空白如何解决？

数据老陈

2026-10-4

问题根本原因

PyPDF2/PyPDF4仅支持提取标准编码、非扫描版PDF的可编辑文本内容，返回空白通常是以下几种情况：

PDF本身是扫描件生成的影像版PDF，所有内容都是嵌入的图片，不存在可直接读取的文本层
PDF使用了自定义字体编码，没有内置字符映射关系，库无法解码识别内容
PDF设置了内容提取权限限制，虽然可以读取页数等元数据，但无法直接提取文本

解决方案

1. 先排查PDF是否加密或有权限限制

先在代码中增加解密逻辑，部分PDF的权限限制可以直接通过内置方法解除：

import PyPDF4 as p2 
pdffile = open("XXXX.pdf","rb")
pdfread=p2.PdfFileReader(pdffile)
# 新增解密逻辑
if pdfread.isEncrypted:
    # 无密码的加密PDF直接传空字符串解密
    pdfread.decrypt('')
print(pdfread.getNumPages())
pageinfo=pdfread.getPage(0)
print(pageinfo.extractText())

如果运行后还是返回空白，排除权限限制问题，继续往下排查。

2. 替换为兼容性更强的文本提取库

优先使用pdfplumber，它对非标准编码PDF的兼容性远高于PyPDF系列，安装和使用代码如下：
安装命令：
pip install pdfplumber
提取代码：

import pdfplumber

with pdfplumber.open("XXXX.pdf") as pdf:
    # 输出总页数
    print(len(pdf.pages))
    # 提取第一页文本
    first_page = pdf.pages[0]
    print(first_page.extract_text())

如果该方法仍然返回空白，说明你的PDF是扫描版影像PDF，需要用OCR方案提取。

3. 扫描版PDF使用OCR提取文本

可以用pytesseract+pdf2image的组合方案，把PDF每页转成图片后识别文本内容：
依赖安装（注意需要提前安装tesseract OCR引擎到本地）：
pip install pytesseract pdf2image
提取代码示例：

from pdf2image import convert_from_path
import pytesseract

# 把PDF第一页转成PIL图片对象
pages = convert_from_path("XXXX.pdf", first_page=1, last_page=1)
# 识别图片中的中文+英文文本，只识别英文可以去掉lang参数
text = pytesseract.image_to_string(pages[0], lang='chi_sim+eng')
print(text)