pdfplumber提取文本空行多、格式乱，因其默认保留原始PDF布局信息（如换行、缩进、分栏及空白字符），导致误换行、段落错位；实操建议收紧坐标容差、分栏裁剪、禁用layout或先提取表格。
pdfplumber 提取文本时为什么空行多、格式乱
pdfplumber 默认保留原始 PDF 的布局信息，包括换行、缩进、分栏和空白字符，所以直接调用 page.extract_text() 往往返回大量空行、错位段落或断开的单词（比如 “in- ternational”）。这不是 bug，而是它在模拟人眼阅读位置的结果。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 优先用
page.extract_text(x_tolerance=2, y_tolerance=2)收紧坐标容差，减少因字体微偏导致的误换行 - 对多栏文档，先用
page.crop(bbox=(x0, y0, x1, y1))切出单栏区域再提取 - 若只需连续语义文本，加参数
layout=False（注意：这会丢弃所有位置信息，但大幅提升纯文本可读性） - 遇到表格干扰，先调用
page.extract_tables()拿走表格，再对剩余区域提取——否则表格单元格会被拉成一行乱码
PyPDF2 读不出中文或报 UnicodeDecodeError
PyPDF2（尤其是 2.x 版本）本质是元数据和流解析器，不处理字体映射。PDF 中文常以自定义编码（如 GB2312 或 CID 编码）嵌入，而 PyPDF2 默认按 ASCII 解码字节流，直接抛 UnicodeDecodeError: 'utf-8' codec can't decode byte。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 别指望
page_obj.extract_text()在 PyPDF2 3.0+ 之前可靠提取中文；3.0+ 虽支持基础 Unicode，但依赖 PDF 是否内嵌 ToUnicode CMap，实际成功率仍低 - 若必须用 PyPDF2，先检查
page_obj.attrs.get('/Resources', {})里有没有/Font字典，再确认每个字体是否含/ToUnicode键——没有就基本无解 - 更现实的做法：用 PyPDF2 仅做文档拆分、加密检测、元数据读取；文本提取交给 pdfplumber 或
fitz.Page.get_text("text")（PyMuPDF）
pdfplumber 解析速度慢、内存暴涨怎么办
pdfplumber 加载每页时会构建完整的字符级对象树（char, line, word, rect），对百页以上扫描型 PDF（哪怕只是文字层）极易 OOM 或卡死。
图片提示词生成器？不止如此。 马甲系统 —— 把脑海中的画面，翻译成AI能理解的专业表达。 用得越多，它越懂你：首次需要多问几句确认方向，用久了几乎一说就懂。 用得越多，它越快：缓存机制让后续对话越来越省。 RAG进化：成功案例持续入库，越跑越聪明。 输入「新手指南」查看完整功能介绍
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
pdfplumber.open(path, pages=[0, 1, 2])显式限制页码范围，避免全量加载 - 禁用图形解析：传参
strict=True+extract_words_kwargs={"keep_blank_chars": False}减少中间对象 - 对纯文本需求，改用
pdfplumber.open(...).pages[0].crop((0, 0, width, height)).extract_text(layout=False)，跳过 layout 分析 - 真要批量处理，别在一个进程里循环 open/close，用
with pdfplumber.open(...) as pdf:确保资源释放；更重负载建议上multiprocessing.Pool隔离内存
扫描 PDF（无文字层）怎么提取文本
pdfplumber 和 PyPDF2 都只解析 PDF 的文字对象，对扫描件（本质是图片）完全无效——它们看到的只是 /XObject 图像流，不是字符。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
pdfplumber.Page.chars是否为空判断有无文字层：if not page.chars: print("可能是扫描件") - 确认是扫描件后，必须转 OCR：用
pdf2image.convert_from_path()转为 PIL 图像，再喂给pytesseract.image_to_string(img) - 注意分辨率：默认 DPI=200 不够，OCR 前加
dpi=300参数；小字号或模糊图建议预处理（二值化、去噪） - 别跳过语言包：中文必须显式传
lang="chi_sim"，且确保本地已安装对应 tessdata
真正难的不是选哪个库，而是得先判断 PDF 是什么类型——文字型、混合型（文字+图表）、还是纯扫描件。同一份文档里这三类可能并存，得组合用 pdfplumber（文字）、PyMuPDF（快读元数据）、pytesseract（补 OCR），还得自己写逻辑切片路由。
