使用pdfplumber运行读取pdf，结果为空

Question

是因为我的代码有问题吗，但是运行其他的都没有问题，一到提取内容就出现了问题，是为什么呢

Answer 1

引自免费微信小程序：皆我百晓生

在您提供的代码中，看起来没有明显的语法错误。不过，有时候PDF文件可能由于加密、格式问题或者其他原因导致文本无法被正确提取。这里有几个步骤可以帮助您排查问题。

1. 检查PDF文件：确保您的PDF文件不是图片格式，而是包含可提取的文本。您可以尝试打开PDF文件并查看其内容是否可以复制粘贴，如果不能，那可能是文件本身的问题。

2. 更新pdfplumber库：确保您的pdfplumber版本是最新的。有时旧版本可能无法处理某些PDF格式。您可以使用以下命令更新pdfplumber：

   pip install --upgrade pdfplumber
   

3. 使用其他工具验证：尝试使用其他Python库（如PyPDF2或PDFMiner）来提取文本，看看是否有不同的结果。这有助于确定问题是否出在pdfplumber上。

4. 尝试不同方法提取：pdfplumber提供多种方式提取文本，例如通过页面区域、行或单词。您可以试试这些方法看是否能成功提取：

   import pdfplumber
   
   def extract_text_with_areas(pdf_path):
       with pdfplumber.open(pdf_path) as pdf:
           for page in pdf.pages:
               text = ""
               for area in page.extract_areas():
                   text += area["text"] + "\n"
               return text
   
   def extract_text_with_lines(pdf_path):
       with pdfplumber.open(pdf_path) as pdf:
           for page in pdf.pages:
               text = ""
               for line in page.extract_text().split("\n"):
                   text += line + "\n"
               return text
   
   def extract_text_with_words(pdf_path):
       with pdfplumber.open(pdf_path) as pdf:
           for page in pdf.pages:
               text = ""
               for word in page.extract_words():
                   text += word["text"] + " "
               return text
   
   # 使用上述函数之一替换原代码中的extract_text()
   text = extract_text_with_areas("测试.pdf")
   print(text)
   

5. 解密PDF：如果PDF文件被加密，您可能需要提供密码才能访问其内容。使用pycryptodome库来尝试解密：

   首先安装库：

   pip install pycryptodome
   

   然后添加解密部分到您的代码中：

   from Crypto.Cipher import AES
   from Crypto.Util.Padding import pad, unpad
   
   def decrypt_pdf(ciphertext, key, iv):
       cipher = AES.new(key, AES.MODE_CBC, iv)
       plaintext = unpad(cipher.decrypt(ciphertext), AES.block_size)
       return plaintext.decode()
   
   def extract_text_decrypted(pdf_path, password):
       with open(pdf_path, 'rb') as f:
           ciphertext = f.read()
   
       # 假设密码为"my_password"，根据实际情况调整
       key = b'my_password' * (16 // len(b'my_password'))
       iv = ciphertext[:16]
   
       decrypted_text = decrypt_pdf(ciphertext, key, iv)
   
       # 将解密后的文本写入新文件，然后尝试提取
       with open('decrypted_text.txt', 'w') as decrypted_file:
           decrypted_file.write(decrypted_text)
   
       # 使用之前的方法从新文件提取文本
       text = extract_text_with_areas('decrypted_text.txt')
       return text
   
   # 替换原代码中的提取部分
   text = extract_text_decrypted("测试.pdf", "my_password")
   print(text)
   

如果以上所有方法都无法解决您的问题，那么问题可能出在PDF文件本身，您可能需要寻求专业的PDF修复服务或与文件创建者确认是否存在格式问题。