PyPDF2和pypdf对扫描PDF完全失效，因其仅解析文本对象流，而扫描PDF只含图像（/XObject），无字符编码、字体或文本坐标信息，调用extract_text()静默返回空字符串或乱码。
扫描版PDF本身不含可选中文本，直接用 PyPDF2 或 pypdf 读不出文字——必须先做OCR。跳过这步，脚本永远返回空字符串。
为什么 PyPDF2 和 pypdf 对扫描PDF完全失效
这两库只解析PDF中的文本对象流，而扫描PDF里只有图像（/XObject 类型），没有字符编码、字体或坐标文本信息。调用 page.extract_text() 会静默返回空或乱码，不报错，容易误判为“PDF没问题”。
- 用
pdfplumber打开扫描PDF时，page.chars长度为 0，page.rects可能有但无文字关联 -
fitz.Page.get_text("text")（PyMuPDF）同样返回空，除非PDF带隐藏图层文本（极少见） - 验证方法：用
pdfinfo input.pdf查看输出中是否有Pages:但Encrypted:附近无Text相关提示
用 pytesseract + pdf2image 做端到端OCR提取
这是目前最稳的开源组合：先转图，再逐页OCR。注意不是所有PDF都适合直接喂给Tesseract——图像质量决定识别率。
-
pdf2image.convert_from_path()默认用 Ghostscript，需提前安装系统级依赖（Ubuntu:sudo apt install poppler-utils；macOS:brew install poppler） - 关键参数：
dpi=300（低于200易漏字），grayscale=True（减少噪点），thread_count=2（避免多核竞争崩溃） -
pytesseract.image_to_string(img, lang="chi_sim+eng")必须显式指定语言，中文默认不启用，chi_sim比chi_tra对简体印刷体更准 - 每页OCR耗时约 2–8 秒（i7 CPU），别用
image_to_data()获取坐标——除非你要框选字段，否则纯拖慢速度
绕不开的预处理：PDF图像质量差怎么办
扫描件常见模糊、倾斜、底纹、阴影，直接OCR错误率超40%。不能全靠Tesseract自适应——得加轻量预处理。
立即学习“Python免费学习笔记（深入）”；
- 用
cv2.threshold()做自适应二值化（cv2.ADAPTIVE_THRESH_GAUSSIAN_C），比全局阈值更抗阴影 - 用
cv2.fastNlMeansDenoising()降噪，h=10足够，h>15开始模糊文字边缘 - 倾斜校正用
cv2.minAreaRect()找文本行主方向，但仅对长段落有效；标题/表格建议人工定义ROI区域再OCR - 避开过度锐化：
cv2.filter2D()加强边缘常导致“一”变“丨”，得测试后决定是否启用
真正卡住进度的往往不是代码逻辑，而是PDF来源杂（A4/信纸/裁切偏移）、扫描仪自动纠偏失败、以及中英文混排时Tesseract把数字当字母（比如“0”→“O”）。建议先抽10页人工核对OCR结果，再批量跑全量。
