求助：使用PyPDF2读取含波兰语字符PDF时丢失特殊字符的解决方法

Hey there! Let's figure out how to fix those missing Polish characters (like ń, ś) when using PyPDF2 for text extraction.

先排查基础问题 #

• 升级PyPDF2到最新版本：旧版本的PyPDF2对非ASCII字符的支持有不少bug，先执行升级命令：

  pip install --upgrade PyPDF2
  

  注意：新版本的文本提取方法名是extract_text()（替代旧版的extractText()），这点要对应修改你的代码。

尝试编码修复方案 #

如果升级后还是有问题，可以尝试通过编码转换来恢复字符。PDF内部的文本存储很多时候用latin-1编码，我们可以先将提取的文本按latin-1编码成字节，再解码为utf-8：

from PyPDF2 import PdfReader

# 读取目标PDF
pdf_reader = PdfReader("your_polish_document.pdf")
extracted_text = ""

# 遍历所有页面提取文本
for page in pdf_reader.pages:
    page_text = page.extract_text()
    if page_text:
        # 编码转换尝试恢复特殊字符
        converted_text = page_text.encode('latin-1', 'ignore').decode('utf-8', 'ignore')
        extracted_text += converted_text + "\n"

print(extracted_text)

如果PyPDF2仍不奏效：换用更可靠的库 #

PyPDF2对复杂字符集的支持确实有限，这时候推荐使用PyMuPDF（fitz），它的文本提取引擎对非ASCII字符（包括波兰语变音符号）的兼容性要好得多：

import fitz  # 导入PyMuPDF

# 打开PDF文件
pdf_doc = fitz.open("your_polish_document.pdf")
full_text = ""

for page in pdf_doc:
    # 直接提取文本，特殊字符通常能正确保留
    full_text += page.get_text() + "\n"

print(full_text)

额外说明 #

如果以上方法都无效，可能是PDF本身的问题：比如文件没有嵌入包含波兰语字符的字体，或者文本是图片格式（而非可编辑的文本）。这种情况下，你可能需要用OCR工具（比如Tesseract）来提取字符。

内容的提问来源于stack exchange，提问作者kgr