如何使用Python读取古吉拉特语PDF格式文件？

Hey there! Glad you're looking to expand your PDF parsing skills to Gujarati documents—great choice. Let's walk through how to make this work smoothly with Python, since non-Latin scripts like Gujarati can sometimes need a little extra care compared to English PDFs.

核心前提说明 #

古吉拉特语属于复杂文字脚本，部分基础PDF库可能出现乱码问题，所以我们优先选择对Unicode支持更完善的工具，比如PyMuPDF (fitz)和pdfplumber，这两个是我实测下来处理非英文PDF最靠谱的选项。

方法1：使用PyMuPDF（fitz） #

PyMuPDF对复杂脚本的支持非常出色，运行速度也快，是我个人推荐的首选工具。

步骤1：安装依赖 #

pip install pymupdf

步骤2：代码实现示例 #

import fitz  # 导入PyMuPDF库

def read_gujarati_pdf(pdf_path):
    # 打开目标PDF文档
    doc = fitz.open(pdf_path)
    full_text = ""
    
    # 遍历文档每一页提取文本
    for page in doc:
        # PyMuPDF默认支持Unicode编码，直接提取古吉拉特语文本无压力
        page_text = page.get_text()
        full_text += page_text + "\n\n"
    
    doc.close()
    return full_text

# 使用示例（替换为你的古吉拉特语PDF本地路径）
pdf_file = "Gujarat Special.pdf"
gujarati_content = read_gujarati_pdf(pdf_file)

# 打印提取结果或保存到文件
print(gujarati_content)
# 保存时务必指定utf-8编码，避免乱码
with open("gujarati_output.txt", "w", encoding="utf-8") as f:
    f.write(gujarati_content)

方法2：使用pdfplumber #

pdfplumber不仅能提取文本，还能保留更多格式细节，对复杂脚本的支持同样稳定。

步骤1：安装依赖 #

pip install pdfplumber

步骤2：代码实现示例 #

import pdfplumber

def read_gujarati_pdf_with_plumber(pdf_path):
    full_text = ""
    # 上下文管理器自动处理文档打开/关闭
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 提取当前页文本，跳过空页面避免报错
            page_text = page.extract_text()
            if page_text:
                full_text += page_text + "\n\n"
    
    return full_text

# 使用示例
pdf_file = "Gujarat Special.pdf"
gujarati_content = read_gujarati_pdf_with_plumber(pdf_file)

# 保存提取的文本
with open("gujarati_output_plumber.txt", "w", encoding="utf-8") as f:
    f.write(gujarati_content)

常见问题排查 #

• 乱码问题：如果出现乱码，先检查PDF是否嵌入了古吉拉特语字体——部分扫描版PDF可能未嵌入字体，这种情况需要用到OCR工具。
• 扫描版PDF（图片格式）：纯图片的PDF无法直接提取文本，需要用OCR处理：
  1. 先安装Tesseract并添加古吉拉特语语言包（下载guj语言包）
  2. 安装依赖：pip install pytesseract pdf2image
  3. OCR代码示例：

     import pytesseract
     from pdf2image import convert_from_path
     
     def ocr_gujarati_pdf(pdf_path):
         # 将PDF每页转为图片
         pages = convert_from_path(pdf_path)
         full_text = ""
         for page in pages:
             # 指定古吉拉特语语言进行OCR识别
             text = pytesseract.image_to_string(page, lang="guj")
             full_text += text + "\n\n"
         return full_text
     
     # 使用示例
     gujarati_ocr_content = ocr_gujarati_pdf("Gujarat Special.pdf")
     with open("gujarati_ocr_output.txt", "w", encoding="utf-8") as f:
         f.write(gujarati_ocr_content)
     

内容的提问来源于stack exchange，提问作者Taasha