Python使用pdfrw读取PDF流出现乱码如何获取正常编码内容

你直接读取的x.pages[0].Contents.stream是PDF页面的原始二进制内容流，通常会经过FlateDecode等压缩算法压缩，同时存储的是PDF绘制指令而非直接的纯文本内容，所以直接打印会显示为乱码。

方法一：使用pdfplumber提取文本（推荐，多语言适配好、准确率高） #

• 先安装依赖库：pip install pdfplumber
• 运行以下代码即可提取可读文本：

import pdfplumber

file_path = 'C:/Users/Karapuz/Desktop/ser/163687_BMW_X5_M1_0151_Маланюк Евро.pdf'
with pdfplumber.open(file_path) as pdf:
    # 提取第一页文本
    first_page_text = pdf.pages[0].extract_text()
    print(first_page_text)

方法二：基于pdfrw处理（适合需要操作底层PDF流的场景） #

如果必须使用pdfrw实现需求，需要先解压内容流，再从绘制指令中筛选文本，示例如下：

• 依赖：Python自带zlib库无需额外安装

from pdfrw import PdfReader
from zlib import decompress, MAX_WBITS

file_path = 'C:/Users/Karapuz/Desktop/ser/163687_BMW_X5_M1_0151_Маланюк Евро.pdf'
pdf = PdfReader(file_path)
raw_stream = pdf.pages[0].Contents.stream

try:
    # 解压默认的FlateDecode压缩流
    decompressed_stream = decompress(raw_stream, -MAX_WBITS)
    # 解压后为PDF绘制指令，需额外解析才能拿到纯文本，此处仅打印解压后的原始指令
    print(decompressed_stream.decode('utf-8', errors='ignore'))
except Exception as e:
    print("流压缩格式不支持直接解压，建议使用第一种方案")

注：如果PDF包含俄文等非ASCII字符，第一种方案会自动处理编码适配，无需额外调整。

内容的提问来源于stack exchange，提问作者karapuz