本文详解如何修复常见 pdf 文本提取错误，提供语法正确、健壮可用的 pypdf2 实现方案，涵盖文件模式处理、页面遍历、空文本防护及资源释放等关键细节。
本文详解如何修复常见 pdf 文本提取错误，提供语法正确、健壮可用的 pypdf2 实现方案，涵盖文件模式处理、页面遍历、空文本防护及资源释放等关键细节。
在 Python 中使用 PyPDF2 提取 PDF 文本时，常见的错误包括：误用 reader(len(reader.pages)) 这类非法语法、忽略二进制模式要求、未校验 extract_text() 返回值（可能为 None），以及遗漏文件关闭逻辑。以下是一个经过验证、生产可用的完整实现：
✅ 正确实现：安全读取与文本提取
首先确保已安装最新版 PyPDF2（注意：pdf.PdfReader 是旧版写法，当前推荐使用 PyPDF2.PdfReader）：
pip install PyPDF2
然后使用如下函数处理上传文件或本地路径：
import PyPDF2
def input_pdf_text(uploaded_file):
"""
从 PDF 文件对象中提取纯文本内容
支持 Streamlit 等框架上传的 UploadedFile 对象，也兼容 open() 返回的 file object
"""
# 自动适配文件模式：若非二进制模式，尝试重新以 rb 打开（仅对文件路径有效）
if hasattr(uploaded_file, 'mode') and uploaded_file.mode != 'rb':
if hasattr(uploaded_file, 'name') and not hasattr(uploaded_file, 'seek'):
# 假设是 Streamlit 的 UploadedFile，其 .read() 已支持二进制读取，无需 reopen
uploaded_file.seek(0) # 重置指针（重要！）
else:
raise ValueError("PDF file must be opened in binary mode ('rb')")
try:
reader = PyPDF2.PdfReader(uploaded_file)
text = ""
for page in reader.pages:
extracted = page.extract_text()
if extracted: # 避免 None 或空字符串拼接
text += extracted + "\n" # 每页后加换行，提升可读性
return text.strip() # 去除首尾空白
except Exception as e:
raise RuntimeError(f"Failed to read PDF: {str(e)}")? 使用示例
场景 1：处理本地文件
with open("sample.pdf", "rb") as f:
content = input_pdf_text(f)
print(content[:500] + "..." if len(content) > 500 else content)场景 2：在 Streamlit 中处理上传文件
import streamlit as st
uploaded = st.file_uploader("Upload PDF", type="pdf")
if uploaded:
text = input_pdf_text(uploaded)
st.text_area("Extracted Text", text, height=300)⚠️ 注意事项与最佳实践
- 必须使用二进制模式 ('rb')：PDF 是二进制格式，文本模式会导致解码失败；
- reader.pages 是可迭代对象，直接 for page in reader.pages: 即可，无需 range(len(...)) 或索引访问；
- 始终检查 extract_text() 返回值：扫描型 PDF 或加密 PDF 可能返回 None，直接 str(None) 会引入冗余字符串；
- 流式对象需重置指针：如 Streamlit 的 UploadedFile，调用前执行 uploaded_file.seek(0)，否则读取为空；
- 无需手动 close()：当传入的是上下文管理的文件对象（如 with open(...) as f:）时，由上下文自动关闭；若函数内自行 open()，则需显式 close() —— 但本实现推荐由调用方管理生命周期，更安全。
? 补充建议：对于 OCR 需求（图像型 PDF），PyPDF2 无法识别文字，应改用 pdfplumber 或 PyMuPDF (fitz) 配合 tesseract；若需保留表格结构，pdfplumber 是更优选择。
通过以上实现，你将获得稳定、可维护、符合 Python 最佳实践的 PDF 文本提取能力。
