使用PyPDF2提取PDF文本时数字显示异常的技术咨询

这种情况我之前处理过，核心问题出在PDF文件的字符编码或字体渲染逻辑上：

• 小数点后的带删除线的0̸0̸，大概率是标准数字0（U+0030）叠加了Unicode组合删除线字符（U+0338），PyPDF2提取时会把这两个组合字符一起抓出来，所以显示成带删除线的样子。
• 复制到表单变成534,OOO.00，说明PDF里逗号后的三个“0”根本不是标准数字0，而是大写字母O（U+004F）——有些PDF生成工具（尤其是老旧的或非专业的）会用字体让O看起来和0一模一样，提取或复制时就会露馅。

咱们分三步来搞定：

1. 先搞清楚异常字符的真实编码 #

先写一段小代码，打印提取文本中每个字符的Unicode编码，确认到底是哪种异常：

extracted_text = "你提取到的那个文本内容"
for char in extracted_text:
    print(f"'{char}' 的Unicode编码: U+{ord(char):04X}")

比如：

• 如果看到U+004F，那就是大写字母O；
• 如果看到U+0338，那就是组合删除线字符；
• 标准数字0的编码是U+0030。

2. 针对性清理异常字符 #

根据上面的排查结果，用代码替换成标准数字：

情况1：处理带删除线的0 #

用unicodedata模块过滤掉组合标记类字符（删除线属于这类）：

import unicodedata

def clean_strikethrough_chars(text):
    # 过滤掉所有Unicode标记类（非间距）字符
    return ''.join(c for c in text if unicodedata.category(c) != 'Mn')

cleaned_text = clean_strikethrough_chars(extracted_text)

情况2：把字母O替换成0 #

直接做字符串替换，或者用正则覆盖全角/半角的O：

import re

def replace_o_with_zero(text):
    # 匹配半角O、半角o、全角Ｏ、全角ｏ，替换成0
    return re.sub(r'[Oo０Ｏ]', '0', text)

cleaned_text = replace_o_with_zero(extracted_text)

情况3：组合处理 #

把两种情况结合起来：

import unicodedata
import re

def clean_numeric_text(text):
    # 先过滤删除线
    text = ''.join(c for c in text if unicodedata.category(c) != 'Mn')
    # 再替换O为0
    text = re.sub(r'[Oo０Ｏ]', '0', text)
    return text

cleaned_text = clean_numeric_text(extracted_text)

3. 换用更精准的PDF提取库 #

如果PyPDF2的字符解析还是有问题，可以试试pdfplumber——它对PDF的字体结构和字符映射解析更细致，能减少这类异常：

import pdfplumber

with pdfplumber.open("你的PDF文件路径.pdf") as pdf:
    # 提取第一页的文本，你可以循环处理所有页
    page = pdf.pages[0]
    text = page.extract_text()
    # 再用上面的清理函数处理
    cleaned_text = clean_numeric_text(text)

内容的提问来源于stack exchange，提问作者user9371615