pdfplumber无法提取文字，首先确认是否为扫描件——它不支持OCR，仅处理含文本层的PDF；若可选中文字则排查排版错乱、参数阈值或字体编码问题。
pdfplumber 打开 PDF 后读不出文字？先检查是否是扫描件
pdfplumber 只能提取可选中文本（即 PDF 中真实存在字符编码的文本），对扫描版 PDF 或图片嵌入型 PDF 完全无效——它不会 OCR。如果你 page.extract_text() 返回空字符串或 None，大概率是 PDF 本身不含文本层。
验证方法：用 Adobe Reader 或系统预览打开 PDF，尝试用鼠标拖选文字。选不中 = 没有文本层 = pdfplumber 无能为力。
解决路径只有两个：
• 转换为可搜索 PDF（需 OCR 工具如 pdf2image + pytesseract）
• 直接跳过 pdfplumber，改用 OCR 流程
为什么 extract_text() 提取结果错行、缺空格、顺序乱？
pdfplumber 默认按“视觉位置”还原文本流，但 PDF 排版自由度高，文字对象可能分散存储、坐标微偏、字体大小混杂，导致 extract_text() 的启发式合并逻辑失效。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 优先试
page.extract_words()+ 手动按y1（顶部）和x0（左）排序拼接，控制更细 - 加参数调整合并阈值：
extract_text(x_tolerance=3, y_tolerance=3)，数值越小越严格，适合紧凑排版 - 若段落明显分栏，用
page.crop(...)先切区域再分别提取，比全局提取可靠得多 - 避免依赖
extract_text(layout=True)—— 它模拟 LaTeX 排版逻辑，实际在多数中文 PDF 中反而加剧错乱
表格提取总漏数据或格式崩坏？别直接用 extract_table()
extract_table() 依赖 PDF 中隐含的线条或空白分隔线索，而很多 PDF 表格根本没画线，或用颜色/虚线/细间距伪装，导致识别失败或列错位。
更稳的做法：
- 先用
page.find_tables(overlap_threshold=0.5)查看 pdfplumber 检测到几个表格对象，确认是否识别出目标表格 - 对检测出的表格，用
table.extract()替代extract_table()，前者返回原始单元格列表，容错更强 - 如果
find_tables()返回空，说明 PDF 没提供足够几何线索，此时应退回到page.extract_words()，按纵坐标聚类 + 横坐标分列模拟表格结构 - 警惕合并单元格：pdfplumber 不解析
rowspan/colspan，所有跨格内容会丢失或错位，必须人工补逻辑
中文乱码、字体缺失报错怎么办？
pdfplumber 本身不处理字体映射，它把 PDF 中的字符编码原样转 Unicode。如果 PDF 内嵌字体未正确声明 CMap，或用了非标准 CID 编码，就会出现方块、问号或 UnicodeDecodeError。
常见现象与对策：
- 报错
UnicodeEncodeError: 'utf-8' codec can't encode character '\ud83d'：PDF 含私有区 emoji 或特殊符号，加errors='ignore'或errors='replace'到解码环节（通常在你自己后续处理字符串时） - 中文显示为乱码（如 “涓枃”）：说明 PDF 使用了自定义编码但未嵌入字体，基本无解；可尝试用
pdfminer.high_level.extract_text()对比，它内置更多 CMap fallback - 极少数情况需手动指定字体映射：通过
page.chars查看fontname和upright属性，匹配已知中文字体行为，但成本高且非常规
真正稳定支持中文的 PDF 文本提取，往往需要组合策略：pdfplumber 做结构定位 + pdfminer 做编码容错 + 正则后处理纠偏。单一库很难覆盖所有 PDF 实际生成方式。
