使用PyMuPDF提取PDF文本时出现乱码的解决方法咨询

嘿，我来帮你看看这个问题！你遇到的这些奇怪的编码字符（比如\xc2\x91\xc2\x99\x03这类），大概率是几个小细节没处理好导致的，咱们一步步来解决：

• 别手动对get_text()的结果做encode操作：PyMuPDF的get_text()方法默认返回的就是Unicode字符串，你额外调用.encode('utf-8')反而可能把原本正常的字符搞乱。先把代码改成这样试试：

  import PyMuPDF
  doc = PyMuPDF.open('uber-report.pdf')
  text = doc[1].get_text()
  print(text)
  

• 调整文本提取的参数：如果还是有乱码，可以给get_text()加上提取标志，过滤掉控制字符和非标准格式代码。比如使用TEXTFLAGS_TEXT标志，只保留纯文本内容：

  text = doc[1].get_text(flags=PyMuPDF.TEXTFLAGS_TEXT)
  

  另外，也可以尝试用块模式提取（get_text("blocks")），它会返回页面上的文本块列表，你可以从中筛选出干净的文本内容。

• 手动清理残留乱码：要是上面的方法后还有少量奇怪字符，可以用正则表达式过滤掉非打印的控制字符：

  import re
  clean_text = re.sub(r'[\x00-\x1F\x7F-\x9F]', '', text)
  print(clean_text)
  

  这个正则会去掉所有ASCII控制字符和一些非标准的扩展字符。

• 排查PDF字体问题：如果PDF本身的字体嵌入不完整，PyMuPDF可能无法正确解析某些字符。这种情况下可以试试OCR识别（需要提前安装Tesseract OCR和pytesseract库）：

  import pytesseract
  from PIL import Image
  
  page = doc[1]
  pix = page.get_pixmap()
  img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
  ocr_text = pytesseract.image_to_string(img)
  print(ocr_text)
  

备注：内容来源于stack exchange，提问作者Ankit