PyMuPDF提取文本返回空字符串主因是PDF为扫描件（图片型），page.get_text()仅提取向量文本；此外自定义编码、隐藏文字图层或文本被路径遮盖也会导致失败。
PyMuPDF提取文本时为什么有些页面返回空字符串？
常见原因是PDF内容是扫描件（即图片型PDF），page.get_text() 默认只提取向量文本，对图像中嵌入的文字无能为力。另外，部分PDF使用了自定义编码、隐藏文字图层或文本被路径遮盖，也会导致提取失败。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 先用
page.is_text()判断该页是否含可提取文本，返回False就别硬调get_text() - 对扫描件，需配合 OCR 工具（如
pytesseract）——PyMuPDF 本身不带 OCR 功能 - 尝试不同输出格式参数：
page.get_text("text")（默认）、"blocks"（分块）、"dict"（带位置信息），有时"blocks"能绕过某些字体映射问题 - 若文本存在但乱码，检查是否缺失内嵌字体：用
page.get_fonts()查看字体列表，再用page.get_text("text", encoding="utf-8")强制指定编码（虽不一定生效，但值得一试）
如何用PyMuPDF可靠地提取PDF中的所有图片？
PyMuPDF 的图片提取逻辑是“找页面上的图像 XObject”，不是“识别截图内容”。这意味着它只提取 PDF 规范中明确定义为图像的对象（如 JPEG/PNG/JBIG2 流），不提取用矢量路径模拟的伪图、或文本转曲后生成的图形。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 用
page.get_images(full=True)获取图像元数据列表，每个元素是长度为 11 的元组，关键字段：索引位置[0]、宽度[2]、高度[3]、颜色空间[6]、滤镜类型[8] - 逐个用
doc.extract_image(xref)提取原始字节，再用PIL.Image.open(io.BytesIO(...))加载验证；注意xref是间接对象引用号，不是列表下标 - 警惕重复提取：同一张图可能被多个页面引用，
xref相同说明是同一个图像对象 - 某些 PDF 把图标存为 SVG 或字体图标（如 IconFont），这类不会出现在
get_images()结果里，得另寻方案（如解析page.get_drawings()或字体映射）
提取图文混合内容时，怎样保持原始位置与顺序？
PDF 没有天然的“阅读顺序”，PyMuPDF 的 get_text("dict") 和 get_text("blocks") 返回结构化数据，但块顺序不等于视觉流顺序——尤其遇到多栏、浮动图注、页眉页脚时容易错乱。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 优先用
page.get_text("dict")，它返回含"x0","y0","x1","y1"的字典，可按y0分组再按x0排序模拟阅读流 - 避免直接拼接
get_text("text")，它会丢弃坐标信息，且自动合并换行，破坏原文段落结构 - 图片位置需单独获取：用
page.get_image_info()（PyMuPDF 1.19+）或遍历page.get_images()后查doc.xref_object(xref)解析 bbox，再与文本块做空间重叠判断 - 复杂版式（如新闻排版）建议导出为 JSON + 坐标，交由下游做 layout analysis，别强求单次提取还原 Word 效果
PyMuPDF在Windows上提取中文PDF为何常报UnicodeDecodeError？
本质是底层 MuPDF 库加载中文字体时，对 CMap 或 ToUnicode 表解析失败，触发 Python 字节解码异常。错误通常发生在 page.get_text() 内部，而非用户代码显式解码处。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 升级到 PyMuPDF ≥ 1.23.0，旧版本对 GBK/GB2312 编码支持极弱
- 临时绕过：捕获
UnicodeDecodeError后，改用page.get_text("rawdict")获取未解码的原始字节流，再手动按page.attrs.get("Resources",{}).get("Font",{})查字体编码线索 - 更稳做法：用
fitz.TOOLS.set_small_glyph_heights(True)（1.22+）缓解部分中文字体渲染异常引发的文本提取中断 - 确认 PDF 是否损坏：用 Adobe Acrobat 打开并“另存为”一次，常能修复缺失的 ToUnicode 映射
