为什么PyPDF2无法匹配到从CSV文件读取的关键词的所有出现位置？

1 优先排查PyPDF2文本提取能力问题 #

这是此类问题最高发的原因，按以下步骤验证：

• 单独提取漏匹配页的文本：找到关键词实际存在但未被捕获的具体页码，单独运行代码用PyPDF2.PdfReader读取该页，调用extract_text()方法输出完整文本，直接在输出结果中搜索目标关键词：
  • 若输出文本中不存在该关键词，可确定是PyPDF2提取问题：常见诱因包括PDF文本被拆分为离散字符块、关键词跨文本块/行排布、文本带特殊连字符/排版空格、PDF为带OCR层的扫描件、PDF存在提取权限限制
  • 若输出文本中能找到该关键词，说明提取环节无问题，问题出在后续匹配逻辑

2 排查匹配逻辑疏漏 #

• 核对匹配规则：确认脚本是否统一了待匹配文本和关键词的大小写？是否处理了原文中可能存在的换行连字符、全角/半角空格？比如原文出现的Abolition、abolition-（跨行拆分）会被严格大小写、完整词汇匹配的逻辑漏掉
• 核对CSV读取逻辑：打印输出读取到的所有关键词列表，检查是否存在关键词首尾带空格、换行符、特殊符号的情况，比如读取到的关键词实际为" abolition "，无法和文本中无空格的词汇匹配
• 核对遍历逻辑：确认页码遍历循环没有步进错误（比如误写page += 2导致只遍历奇数/偶数页），页码计数规则和实际PDF页码对应，没有跳过前几页/后几页的逻辑错误
• 核对多关键词匹配逻辑：确认不存在短关键词匹配后跳出循环、匹配结果被后续操作覆盖的问题

3 排查源PDF本身问题 #

• 验证漏匹配页面的文本属性：确认该页文本不是矢量图形、OCR识别结果，OCR识别误差会导致关键词出现文字错误无法匹配
• 检查PDF权限：确认PDF没有设置部分页面文本禁止提取的权限

4 交叉验证确认根因 #

用pdfplumber这类文本提取精度更高的库替换PyPDF2做单次测试，如果替换后匹配结果完整，即可确定是PyPDF2的文本提取能力不足导致的问题。

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