如何用PyPDF2提取连续页码范围文本？排查代码仅返回最后一页问题

嘿，我来帮你排查这个问题！你遇到的情况大概率是没有用列表来存储每页的文本，反而每次循环都覆盖了同一个变量的值——比如你可能在循环里直接把page_content赋值为当前页的文本，这样每循环一次，之前的页内容就被新的覆盖了，最后自然只剩最后一页的结果。

问题核心原因 #

举个反例，如果你之前的循环是这样写的：

# 错误示范：用单个变量存储，会被覆盖
page_content = ""
for page_num in range(number_of_pages):
    page = read_pdf.getPage(page_num)
    page_content = page.extractText()  # 每次都覆盖之前的内容

那最后page_content只会保留最后一次循环的结果，也就是最后一页的文本。

修正后的代码 #

我们只需要初始化一个空列表，把每一页处理后的文本追加到列表里，就能得到每页文本的集合了。结合你提到的去重需求，代码可以改成这样：

import PyPDF2

# 打开PDF文件
pdf_file = open('enme2.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()

# 初始化空列表，专门存储每页的文本
page_contents = []

# 遍历每一页，提取并处理文本
for page_num in range(number_of_pages):
    page = read_pdf.getPage(page_num)
    # 提取当前页原始文本
    raw_text = page.extractText()
    
    # 这里加入你的去重逻辑（示例：保留字符顺序的去重）
    # 如果你有自己的去重方法，替换这段即可
    unique_chars = []
    seen = set()
    for char in raw_text:
        if char not in seen:
            seen.add(char)
            unique_chars.append(char)
    unique_text = ''.join(unique_chars)
    
    # 将处理后的当前页文本加入列表
    page_contents.append(unique_text)

# 现在page_contents就是每页文本的列表，索引对应页码（从0开始）
print("每页文本列表：", page_contents)

# 记得关闭文件，避免资源占用
pdf_file.close()

关键改动说明 #

• 用page_contents = []创建一个空列表，用来单独存储每一页的文本
• 循环中使用append()方法，把当前页处理后的文本添加到列表末尾，而不是覆盖变量
• 去重逻辑可以根据你的需求调整，示例里的方法是在保留字符原始顺序的基础上去重，你可以替换成自己的实现

这样处理后，page_contents就是包含所有页面文本的列表，每个元素对应一页的内容啦！

内容的提问来源于stack exchange，提问作者Winget