如何用Python基础with open方法提取PDF中文文本？无需第三方大库

PDF是有严格内部结构的二进制文档格式，和txt这类纯文本文件完全不是一个存储逻辑。文档里的有效文本不会直接以可识别的编码平铺在文件字节流中，而是大多经过压缩、自定义字体编码映射，存储在专用的流结构对象里。
你用rb模式读取得到的带b'前缀的内容，是PDF的原始结构标记、元数据、压缩后的流数据，根本不是可直接读取的有效文本。就算强行对这些字节做通用解码，也只会输出乱码，压根提取不到正常的文档内容。
你写的文件读取代码本身语法没有问题，但前提是读取无结构化的纯文本文件，用这套逻辑处理PDF的特殊格式，自然得不到预期结果。

• 如果完全不打算用任何第三方库，基本不可能实现通用场景下的PDF文本提取：要手动解析PDF的内部流结构、解压压缩内容、还原自定义字体的编码映射，手写逻辑的工作量远大于安装一个轻量依赖，且兼容性极差，遇到带加密、特殊字体编码的PDF根本无法正常解析。
• 如果你觉得pdfminer等工具体积过大，可以换用轻量的PDF处理库，这类库的安装包仅几MB，远小于pdfminer的体积：比如pypdf，安装后调用内置的文本提取接口，就会自动帮你完成内部流解压、编码映射的全流程，不需要手动啃二进制结构。

内容的提问来源于stack exchange，提问作者linsen1983