PDF需先判别类型：文本型用pdfplumber精准提取（含表格与中英文混排），扫描件必须OCR（如pytesseract+pdf2image配中文lang参数），加密PDF须先解密，错误判断将导致提取失败。
PDF 文档不是网页，不能用 requests + BeautifulSoup 直接解析 HTML 那样处理；直接读二进制或用通用文本提取工具（如 pdfminer.six）常会失败——尤其遇到扫描件、加密 PDF、含复杂表格或中文字体嵌入缺失的情况。
判断 PDF 类型：先分清是“可选中文本”还是“纯图像”
这是后续所有操作的前提。错误判断会导致整个流程卡死或返回空字符串。
- 用
pdfplumber打开后检查page.chars或page.extract_text()是否有非空结果；若为空，大概率是扫描件 - 用
PyPDF2.PdfReader读取.is_encrypted属性，加密 PDF 必须先解密（需密码）才能继续 - 用
fitz.open()（即PyMuPDF）调用page.get_text("text")，对比输出长度；若极短但页面明显有内容，倾向是图像型 - 中文字体缺失时，
pdfminer.six可能报UnicodeDecodeError或输出乱码，此时优先换pdfplumber（对中文字体更宽容）
文本型 PDF：用 pdfplumber 提取结构化内容
pdfplumber 是目前对中文排版、表格识别最稳的开源库，它把每页当“画布”，能获取字符坐标、行块、表格边界，适合做精准定位提取。
- 安装：
pip install pdfplumber（注意不是pdfminer） - 基础提取：
pdfplumber.open("file.pdf").pages[0].extract_text()—— 简单场景够用，但换行/空格可能错乱 - 表格提取必须显式调用：
page.extract_tables()，返回二维列表；默认用视觉线检测，若表格无线条，得传vertical_strategy="text"或horizontal_strategy="text" - 避免内存爆炸：大 PDF 别一次性
open()全部页，用with pdfplumber.open(...) as pdf:+ 循环处理单页 - 中英文混排时，
use_text_flow=True参数能改善阅读顺序（尤其多栏），但会略微拖慢速度
扫描件 PDF：必须走 OCR 路线，别硬扛
试图用纯文本提取工具处理扫描件，99% 结果是空字符串或乱码。必须引入 OCR 引擎，且要控制成本与精度平衡。
立即学习“Python免费学习笔记（深入）”；
- 本地轻量方案：用
pytesseract+pdf2image，先转图再识别；pdf2image.convert_from_path()输出 PIL 图像，注意dpi=200是底线，300更稳妥 - 中文识别务必指定语言：
pytesseract.image_to_string(img, lang="chi_sim")（简体）或lang="chi_tra"（繁体）；缺lang参数默认只识英文 - 避免白边干扰：OCR 前用
cv2或 PIL 裁黑边、二值化（img.convert("L").point(lambda x: 0 if x ）能显著提升准确率 - 云 API（如百度 OCR、腾讯 OCR）适合高精度需求，但要注意接口限流和敏感内容合规风险；别把内部合同直接扔给第三方
常见陷阱与绕过方式
很多失败不是代码写错，而是 PDF 本身“不讲武德”：加密、字体子集、JavaScript 自动跳转、甚至故意插入零宽字符干扰解析。
-
UnicodeEncodeError: 'gbk' codec can't encode character？说明终端或文件写入时编码没设encoding="utf-8"，所有open(..., "w")必须加该参数 - 提取出来全是“□□□”或“”？不是 OCR 问题，是 PDF 内嵌字体未映射 Unicode，换
PyMuPDF的page.get_text("html")或启用layout_mode="normal"重试 - 表格列错位、跨页表断开？
pdfplumber默认不跨页合并，需手动缓存上一页末尾行 + 下一页开头行做逻辑拼接 - PDF 含 JavaScript 触发跳转或动态加载内容？Python 库无法执行 JS，这类 PDF 实质是“伪装 PDF 的网页”，得用
playwright截图+OCR，或找原始网页源
真正难的从来不是调哪个函数，而是拿到一个未知 PDF 后，三分钟内判断它属于哪一类、该走哪条技术路径——多试两个库的首屏提取结果，比死磕一个参数有效得多。
