无法提取PDF文本求助：PyPDF2与pymupdf均提取失败

核心原因 #

你遇到的问题是目标PDF属于图像型PDF（扫描件生成），而非原生可编辑的文本PDF。这类PDF的内容以像素图像形式存储，没有嵌入可被PyPDF2、pymupdf直接提取的文本流，所以无论用哪种普通文本提取库，都会得到空结果。

你可以自行验证：打开PDF后尝试选中文字，如果无法选中任何内容，即可确认是图像型PDF。

解决方案：使用OCR提取图像文字 #

要提取这类PDF的内容，必须借助OCR（光学字符识别）工具，比如Tesseract，配合Python库实现图像转文字。

步骤1：安装依赖 #

1. 安装Tesseract OCR引擎：
   • Windows：下载安装包后，将其路径加入系统环境变量（或在代码中手动指定）
   • Linux：执行sudo apt install tesseract-ocr
   • macOS：执行brew install tesseract
2. 安装Python库：

   pip install pytesseract pymupdf
   

步骤2：提取文本的示例代码 #

import fitz  # pymupdf
import pytesseract

# 若Tesseract未加入系统PATH，需手动指定路径（以Windows为例）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 打开PDF文档
doc = fitz.open("favorite.pdf")

# 遍历每页提取文字
for page_idx in range(len(doc)):
    page = doc.load_page(page_idx)
    # 将PDF页面转换为像素图像
    pix = page.get_pixmap()
    # 用Tesseract识别图像中的文字（lang参数指定语言，这里用英文）
    extracted_text = pytesseract.image_to_string(pix.tobytes(), lang='eng')
    print(f"第 {page_idx+1} 页提取结果:\n{extracted_text}\n")

注意事项 #

• 如果PDF包含多语言内容，可在lang参数中指定多语言包（比如lang='eng+dan'识别英文和丹麦语，需提前安装对应语言包）
• 若图像清晰度较低，可先对图像做预处理（比如调整对比度、降噪）来提升OCR准确率

内容的提问来源于stack exchange，提问作者balexandre