PyPDF2 extract_text() 返回空字符串主因是其仅解析文本指令，不支持扫描版、加密PDF及复杂排版；pdfplumber 可精准定位关键字页码与坐标，依赖字符级坐标对象；中文搜索失败多因字体解码问题，需调参或改用 extract_words 过滤；性能瓶颈在单页解析耗时高且不支持多进程共享句柄，超20页建议加超时或切OCR。
PyPDF2 提取文字时为什么经常返回空字符串
PyPDF2 的 extract_text() 在遇到扫描版 PDF、加密 PDF 或含复杂排版（如多栏、图文混排）时，基本失效。它只解析文本操作指令，不理解视觉布局，也不处理图像 OCR —— 所以哪怕 PDF 看起来全是文字，只要底层是“把文字画成图形”，extract_text() 就拿不到任何内容。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
pdf_reader.is_encrypted检查是否加密，加密需先调用decrypt()（且仅支持弱加密） - 逐页调用
page.extract_text()，别依赖reader.pages[0].extract_text()后直接 print——有些页返回None或空串，要显式判断if text and text.strip() - 若返回为空，别硬调参数，直接切到
pdfplumber；PyPDF2 不适合内容提取主场景，只适合元信息读取或简单线性文本
pdfplumber 怎么精准定位关键字所在的页码和坐标
pdfplumber 把每页当作带坐标的对象处理，文字不是扁平字符串，而是带 x0、y0、width、height 的 Char 或 Word 对象，这才能支撑“在哪一页、哪一行、哪一段”的定位需求。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
page.search("关键词")直接返回匹配字典列表，每个含page_number、x0、y0、width、height和text - 若需跨词匹配（如“合同金额”中间有换行），先用
page.extract_words(x_tolerance=2, y_tolerance=3)聚合邻近字符，再对text字段做正则搜索 - 注意坐标系：原点在左下角，
y0值越大表示越靠上；导出高亮图或定位框时别搞反方向
中文关键字搜索失败的三个常见原因及修复方式
pdfplumber 默认使用拉丁语系字体检测逻辑，对中文字体名（如 SimSun、NotoSansCJKsc）或 CID 字体支持不完整，导致文字提取乱码或漏字，进而让 search() 失效。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 加载时强制指定编码：
pdfplumber.open(path, password="", laparams={"char_margin": 1.0, "line_margin": 0.5})，其中char_margin调小有助于粘连汉字（如“合 同”变“合同”） - 检查提取结果是否乱码：打印
page.chars[0]["fontname"]和page.chars[0]["text"]，若text是 或空，说明字体未被正确解码，此时需用page.to_image().save("debug.png")看是否真为图片型 PDF - 避免用
page.search("中文")直接搜，改用[w for w in page.extract_words() if "中文" in w["text"]]，绕过内部正则引擎对 Unicode 的兼容问题
性能瓶颈在哪？什么时候该放弃单进程 pdfplumber
pdfplumber 是纯 Python 实现，解析一页 A4 文字 PDF 平均耗时 300–800ms，遇到含表格、矢量图或 100+ 页文档时，I/O + 字符聚合开销会指数上升。它不支持多进程共享 PDF 文件句柄，multiprocessing 直接 fork 会报 ValueError: I/O operation on closed file。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 单文件优先用
with pdfplumber.open(...) as pdf:上下文管理，避免资源泄漏 - 批量处理多 PDF 时，用
concurrent.futures.ProcessPoolExecutor，每个子进程独立open()，别传pdf对象进去 - 若需实时响应（如 Web 接口），对 >20 页 PDF 建议加超时：
try: ... except Exception as e: if "timeout" in str(e): return None，别让整个服务卡住
真正难处理的是扫描件+手写批注+盖章遮挡的 PDF——这时候 pdfplumber 已经无能为力，得切到 pytesseract + opencv 预处理流程，那又是另一套坐标对齐和 OCR 置信度过滤逻辑了。
