使用PyPDF2读取PDF出现非预期非字母数字字符的问题咨询

我来帮你搞定这个头疼的问题——你遇到的˝、˜、˛这类奇怪字符，本质是PyPDF2在处理PDF字体编码时掉链子了。尤其是当PDF用了嵌入字体、非标准编码或者特殊排版的字体时，PyPDF2的文本提取逻辑没法正确对应字符映射，把原本的字母给替换成了错误符号。

PyPDF2有没有参数能直接修复？ #

很可惜，PyPDF2的PdfFileReader并没有现成的参数能解决这个字符映射问题。它的文本提取模块对复杂字体的支持本来就比较弱，这类编码错误是底层解析逻辑的局限，靠调参数搞不定。

Python 3.6可用的替代PDF读取包 #

既然不想用正则事后擦屁股（确实会破坏原文本结构，影响后续的解析和词频统计），那换个对字体编码更友好的库才是正道。以下几个都是Python 3.6能用的靠谱选项：

1. PyMuPDF（fitz） #

这绝对是目前文本提取效果顶流的库之一，各种复杂PDF（嵌入字体、甚至是扫描后转文本的PDF）都能轻松搞定，速度还快。
先安装：

pip install pymupdf

用起来也简单：

import fitz  # 导入PyMuPDF

doc = fitz.open("file.pdf")
page = doc.load_page(1)  # 注意：这里页码从0开始，对应你原代码里的第2页（getPage(1)）
text = page.get_text()
print(text)

2. pdfplumber #

基于PDFMiner开发的库，不仅能精准提取文本，还能保留原有的布局结构，要是你需要分析排版细节的话，这个特别合适。
安装命令：

pip install pdfplumber

使用示例：

import pdfplumber

with pdfplumber.open("file.pdf") as pdf:
    page = pdf.pages[1]  # 同样，页码从0开始，对应原代码的第2页
    text = page.extract_text()
    print(text)

3. PDFMiner.six #

这是经典PDFMiner的Python 3兼容版本，专门做PDF文本提取，对编码解析的处理比PyPDF2严谨太多。
先安装：

pip install pdfminer.six

简化版的使用代码：

from pdfminer.high_level import extract_text

# 提取第2页（对应原代码的getPage(1)），page_numbers的索引从0开始
text = extract_text("file.pdf", page_numbers=[1])
print(text)

内容的提问来源于stack exchange，提问作者PyRsquared