如何使用Python修改DOCX、PDF文件字体样式以解决文本提取异常问题

针对DOCX格式文件的处理 #

处理DOCX不需要复杂的底层解析，用python-docx库就能实现，要避开的最大坑是——别只改文档的全局默认样式，很多DOCX里的文本会直接在独立的文本单元上覆盖字体设置，全局样式改了根本不生效。

• 依赖准备：直接安装库即可，命令为pip install python-docx
• 核心处理逻辑：
  1. 必须遍历文档所有层级的最小文本单元（也就是run对象，DOCX里实际的字体配置就是存在这个单元上的），覆盖范围包括：正文段落、所有表格的单元格文本、页眉、页脚、脚注、文本框内的内容，漏了哪部分，哪部分的字体就不会被修改
  2. 对每个文本单元单独配置西文字体为Arial，同时要设置东亚字体属性，毕竟DOCX里西文和中文的字体是分开存储的，不单独配东亚字体，中文部分还是会保留原来的特殊字体
  3. 可直接复用的参考实现：

  from docx import Document
  from docx.oxml.ns import qn
  
  def set_docx_font(input_path, target_english_font="Arial"):
      doc = Document(input_path)
      # 处理正文段落
      for para in doc.paragraphs:
          for run in para.runs:
              run.font.name = target_english_font
              run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
      # 处理所有表格文本
      for table in doc.tables:
          for row in table.rows:
              for cell in row.cells:
                  for para in cell.paragraphs:
                      for run in para.runs:
                          run.font.name = target_english_font
                          run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
      # 处理页眉页脚
      for section in doc.sections:
          for header_para in section.header.paragraphs:
              for run in header_para.runs:
                  run.font.name = target_english_font
                  run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
          for footer_para in section.footer.paragraphs:
              for run in footer_para.runs:
                  run.font.name = target_english_font
                  run._element.rPr.rFonts.set(qn('w:eastAsia'), '宋体')
      doc.save("modified_output.docx")
  

• 踩坑提醒：逐单元修改完之后一定要抽查，有些文档里的超链接、批注里的文本不会被常规遍历覆盖到，可以单独补一层遍历逻辑处理这部分内容，漏了就还是会出现文本提取错位的问题。

针对PDF格式文件的处理 #

PDF是定版排版格式，和DOCX的流式编辑逻辑完全不同，没有统一的全局字体配置入口，别信网上那种直接改PDF样式属性换字体的教程，大部分非正规工具生成的PDF根本没有规范的字体对象结构，硬改只会把文件搞到打不开，目前Python生态里最稳定的实现思路是原文本重绘。
提前做个判断：如果原PDF是纯扫描件（图片格式，没有可提取的文本层），改字体没有意义，需要先做OCR识别生成正确的文本层再处理；如果是带文本层的可编辑PDF，按下面的逻辑走就行。

• 依赖准备：用PyMuPDF（安装包名pymupdf）处理，安装命令：pip install pymupdf
• 核心处理逻辑：
  1. 逐页提取原PDF的文本块内容、位置坐标、字号、颜色信息
  2. 用和页面背景同色的矩形把原来的旧文本层完全覆盖，把因为字体映射错位导致的错误字形彻底从页面上抹掉
  3. 在原来的文本位置，用Arial字体重新写入之前提取到的正确文本内容，对齐原排版参数，保证视觉上和原文档一致
  4. 可直接复用的参考实现：

  import fitz
  
  def set_pdf_font(input_path, target_font="arial"):
      doc = fitz.open(input_path)
      # 加载内置的Arial字体文件
      font_buffer = fitz.get_fontfile(target_font)
      for page in doc:
          # 提取页面所有带位置信息的文本块
          text_blocks = page.get_text("dict")["blocks"]
          for block in text_blocks:
              if block["type"] != 0:  # 跳过图片类块
                  continue
              for line in block["lines"]:
                  for span in line["spans"]:
                      # 用白色矩形覆盖原文本
                      text_rect = fitz.Rect(span["bbox"])
                      page.draw_rect(text_rect, color=(1,1,1), fill=(1,1,1))
                      # 重新加载Arial字体，在原位置写入文本
                      page.insert_font(fontname="custom_arial", fontbuffer=font_buffer)
                      page.insert_text(
                          point=(span["origin"][0], span["origin"][1]),
                          text=span["text"],
                          fontname="custom_arial",
                          fontsize=span["size"],
                          color=span["color"]
                      )
      doc.save("modified_output.pdf")
  

• 踩坑提醒：重绘的时候要注意对齐原文本的基线坐标，不然会出现文字位置偏移，视觉效果变差。

效果验证环节 #

改完字体之后不要直接批量处理全量文件，先拿之前提取出问题的样本做验证：

• 用你之前做文本提取的同款逻辑跑改后的文件，重点检查之前错位的字符（比如数字0被识别成@、特殊符号错配的问题）是否修正
• 验证的时候要覆盖数字、英文、特殊符号段，不要只测试中文文本，不然很容易漏掉错配的部分

内容的提问来源于stack exchange，提问作者Aditya