本文详细讲解如何修复常见 pdf 文本提取错误，提供语法正确、健壮可用的 pypdf2 提取函数，并涵盖文件模式处理、异常防护及实际调用示例。
本文详细讲解如何修复常见 pdf 文本提取错误，提供语法正确、健壮可用的 pypdf2 提取函数，并涵盖文件模式处理、异常防护及实际调用示例。
在使用 Python 处理 PDF 文本提取时，一个高频错误是误用 PyPDF2.PdfReader 的页面遍历方式——例如将 for page in reader(len(reader.pages)): 当作合法循环（该写法语法错误且逻辑混乱），或忽略文件打开模式、未处理空文本页等问题。以下是一个经过生产环境验证的完整解决方案。
✅ 正确实现：安全、可复用的 PDF 文本提取函数
首先确保已安装兼容版本的库（PyPDF2 ≥ 3.0.0，推荐使用最新稳定版）：
pip install PyPDF2
然后使用如下优化后的函数：
import PyPDF2
def input_pdf_text(uploaded_file):
"""
从 PDF 文件对象或路径中提取纯文本内容。
Args:
uploaded_file: 文件对象（如 Streamlit UploadedFile）或字符串路径
Returns:
str: 所有页面文本拼接后的字符串（跳过无法提取文本的空白页）
"""
# 处理输入：若为字符串路径，则以二进制模式打开；否则假设已为 file-like object
if isinstance(uploaded_file, str):
file_obj = open(uploaded_file, 'rb')
close_after = True
else:
file_obj = uploaded_file
close_after = False
try:
reader = PyPDF2.PdfReader(file_obj)
text = ""
for page in reader.pages:
extracted = page.extract_text()
if extracted: # 避免 None 或空字符串导致 TypeError
text += extracted.strip() + "\n\n" # 每页后加双换行，提升可读性
return text
finally:
if close_after:
file_obj.close()⚠️ 关键注意事项
- 文件模式必须为 'rb'：PDF 是二进制格式，文本模式（'r'）会引发解码错误；
- 不要手动索引 reader.pages[i] 循环：直接迭代 reader.pages 更安全、简洁；
- 始终检查 extract_text() 返回值：扫描版 PDF 或加密/受保护 PDF 可能返回 None，直接 str(None) 会引入冗余内容；
- 资源管理建议用 try/finally：确保即使发生异常，文件也能被正确关闭（尤其在 Web 框架如 Streamlit 中上传的 UploadedFile 对象通常无需手动关闭，但路径输入需显式释放）；
- 不支持 OCR：该方法仅提取嵌入的文本图层，对图片型 PDF 无效——如需识别图像文字，请结合 pytesseract + pdf2image。
▶️ 使用示例
# 场景1：本地文件路径
pdf_text = input_pdf_text("report.pdf")
print(pdf_text[:500] + "...") # 打印前500字符预览
# 场景2：Streamlit 中接收上传文件（UploadedFile 已为二进制流）
# pdf_text = input_pdf_text(st_file)
# 场景3：FastAPI 或 Flask 中的 BytesIO 流
# from io import BytesIO
# stream = BytesIO(uploaded_bytes)
# pdf_text = input_pdf_text(stream)该实现兼顾鲁棒性与可维护性，适用于数据分析、RAG 文档预处理、自动化报告解析等多种场景。如需进一步提升准确性（如处理表格、保留段落结构），建议结合 pdfplumber 或 pymupdf（fitz）等增强型库。
