如何使用Python实现对PDF文档的文字提取与关键词检索？

处理 PDF 文字提取时，最让人头疼的莫过于 pdfplumber 读出来全是空白或乱码。其实问题往往不在于代码写错了，而是 PDF 本身的底层结构有猫腻——扫描件、加密文档、纯图像页或字体嵌入不全，都可能让 page.chars 返回空列表或挤满乱码字符（比如 □、空格堆叠）。别急着调参，先花几秒钟检查一下第一页的 chars，就能判断出该走哪条路。

pdfplumber 提取文字时空白页或乱码怎么办

pdfplumber.open("file.pdf").pages[0].chars 这个探针就是你的第一道防线。如果 chars 为空，大概率是扫描件，别折腾了直接走 OCR；如果 chars 非空但显示乱码，说明文本层存在但解析参数不合适。

具体来说，可以这样做：

• 先确认 chars 是否非空——若空则放弃 pdfplumber，转向 OCR 路线
• 若乱码但 chars 非空，尝试加参数 laparams={"char_margin": 1.0} 或启用 strip_text=" \n\t" 清理干扰符号
• 避免直接调用 page.extract_text()——它默认会跳过表格和复杂布局；改用 page.dedupe_chars().extract_text() 更鲁棒

关键词检索该用正则还是字符串 in？

单纯判断关键词是否存在，"keyword" in text 无疑是最快最安全的做法。但现实场景往往更复杂：需要定位位置、匹配大小写变体、或者排除上下文干扰（比如想搜 “model” 但不想匹配到 “models”），这时就得正则出马了。

几个实用建议：

• 基础存在性检查用 "risk" in page_text.lower()，比 re.search(r"risk", page_text, re.I) 快 3–5 倍
• 需要高亮或定位时，用 re.finditer(r"\b(?:risk|hazard)\b", page_text, re.I)，\b 防止子串误匹配，(?:...) 避免额外捕获开销
• PDF 提取出的文本里常有换行符断裂词（比如 “in-
  vestment”），预处理时先做 text.replace("-\n", "").replace("\n", " ") 再搜索

扫描版 PDF 怎么绕过 pdfplumber 直接 OCR

pdfplumber 对扫描件无效，但别急着换整套工具链。用 pdf2image 把每页转成 PNG，再喂给 pytesseract 就行——关键在于 DPI 和图像预处理。

操作要点：

• 转换时设 dpi=300：convert_from_path("scan.pdf", dpi=300)，低于 200 DPI 识别率会断崖下跌
• OCR 前对图像二值化：img = img.convert("L").point(lambda x: 0 if x < 128 else 255)，能显著减少 “l” 和 “1” 的混淆
• 指定语言和 PSM 模式：pytesseract.image_to_string(img, lang="chi_sim+eng", config="--psm 6")，中文必须显式加 lang，--psm 6 适合单块文本

检索结果怎么关联到原始 PDF 页面和坐标

纯文本检索最大的短板就是丢失位置信息，但很多实际需求——比如高亮、跳转、批注——都依赖坐标。幸好 pdfplumber 的 page.search() 可以直接返回匹配区域的 bounding box，省掉你手动映射的麻烦。

具体怎么用：

• 别自己用正则扫全文再映射回页面——page.search("confidential", regex=False) 返回的是 {"x0": 120.5, "top": 432.1, ...} 字典列表
• 坐标系原点在左上角，"top" 是距顶部距离，"x0"/"x1" 是左右边界；导出为高亮矩形时注意 PDF 查看器坐标系是否翻转
• 若需要跨页聚合结果，用 [(i, match) for i, page in enumerate(pdf.pages) for match in page.search("term")]，避免重复打开文件

说到底，PDF 文字提取真正卡住人的，从来不是 “怎么写 for 循环”，而是搞不清当前 PDF 属于哪一类（文本型 / 扫描型 / 混合型）、以及要不要保留位置信息。同一份代码，在财报 PDF 上跑得飞起，换到扫描合同就全空——先做 page.chars 探针，再决定走哪条路，能省掉 80% 的调试时间。