1. 项目概述：为什么用Python处理PDF是个高频刚需？

在数据驱动的今天，PDF文档几乎成了信息交换的“硬通货”。无论是财务报告、学术论文、合同文书，还是产品手册，PDF以其出色的格式保真度和跨平台一致性，牢牢占据着文档分发的核心位置。然而，这种“只读”的便利性，反过来也成了数据再利用的最大障碍——你无法像编辑Word那样轻松地复制、修改或提取其中的结构化信息。作为一名常年和数据打交道的开发者，我几乎每周都会遇到需要从PDF里“抠”出点东西的场景：可能是从一堆扫描版发票里提取金额和日期，也可能是从技术白皮书中批量抓取图表和说明文字。

手动操作？效率低下且容易出错。这时候，Python的价值就凸显出来了。它不仅仅是一门编程语言，更像是一个强大的“数字瑞士军刀”，通过丰富的第三方库，可以自动化、批量化地完成PDF内容提取任务。无论是纯文本、表格数据，还是嵌入的图片，Python都能帮你精准“捕获”。这个项目，就是带你深入掌握用Python读取PDF、提取文本和图片的核心技能。无论你是数据分析师、办公自动化开发者，还是需要处理大量文档的研究人员，这套方法都能显著提升你的工作效率。接下来，我将从工具选型、核心原理到实战避坑，为你完整拆解。

2. 核心工具选型与生态解析

面对PDF处理，Python社区提供了多个工具，但各有侧重，选错了库可能会让你事倍功半。下面这张表是我根据多年实战经验整理的几个主流库的核心特性对比，帮你快速建立认知框架：

选型心法：

• 如果你的PDF是“原生数字版”（即由Word等软件直接生成，文字可选中），首选pdfplumber来提取文本和表格，它的解析精度最高。
• 如果你需要处理“扫描版PDF”（整页是图片，文字不可选），那么核心流程是：先用pdf2image或PyMuPDF将每一页转为图片，再用pytesseract调用Tesseract引擎对每张图片进行OCR识别。
• 如果你对性能有极致要求，或需要同时处理文本、图片、注释等复杂元素，PyMuPDF是更强大的一站式选择。
• 如果只是最简单的合并拆分，PyPDF2就够用。

注意：PyPDF2已停止维护，社区分支PyPDF4或更新的pypdf是更好的选择。本文后续涉及基础操作的部分将使用pypdf作为示例。

基于以上分析，为了覆盖最广泛的场景，本项目的实战部分将围绕pdfplumber（处理原生文本）和PyMuPDF+pytesseract（处理扫描件及图片）这套组合拳展开。这是经过大量实际项目验证的、兼顾精度和效率的方案。

3. 环境准备与库安装指南

工欲善其事，必先利其器。在开始编码前，我们需要搭建一个稳定、隔离的Python环境，并安装必要的库。我强烈推荐使用conda或venv创建虚拟环境，避免不同项目间的库版本冲突。

3.1 创建并激活虚拟环境

如果你使用Anaconda/Miniconda:

# 创建一个名为 pdf_processor 的新环境，并指定Python版本（如3.9） conda create -n pdf_processor python=3.9 # 激活环境 conda activate pdf_processor

如果你使用Python 原生 venv:

# 在当前目录下创建虚拟环境文件夹 python -m venv venv_pdf # 激活环境 (Windows) venv_pdf\Scripts\activate # 激活环境 (macOS/Linux) source venv_pdf/bin/activate

激活后，你的命令行提示符前通常会显示环境名称，如(pdf_processor)。

3.2 安装核心Python库

在激活的虚拟环境中，使用pip进行安装。我们将安装前述的核心库。

# 安装PDF文本和表格提取利器 pip install pdfplumber # 安装功能强大的全能PDF处理库 pip install PyMuPDF # 安装用于将PDF转为图片的库（依赖poppler） pip install pdf2image # 安装Tesseract OCR的Python封装 pip install pytesseract # 安装图像处理库Pillow，用于处理提取的图片 pip install Pillow # 安装基础的PDF操作库（新版） pip install pypdf

3.3 安装系统级依赖（关键步骤！）

这里有两个容易踩坑的系统依赖，必须安装：

1. Poppler：pdf2image库的背后引擎，用于将PDF渲染成图片。

   • Windows: 访问 poppler-for-windows 下载最新版本，解压后将bin目录的路径（例如C:\path\to\poppler-xx\bin）添加到系统的环境变量PATH中。
   • macOS: 使用Homebrew安装最简单：brew install poppler。
   • Linux (Ubuntu/Debian):sudo apt-get install poppler-utils。

2. Tesseract OCR：开源的OCR引擎本体。

   • Windows: 从 UB-Mannheim的Tesseract安装包 下载安装程序。安装时务必勾选“中文语言包”（如果需要识别中文）。同样，需要将安装目录（如C:\Program Files\Tesseract-OCR）添加到系统PATH。
   • macOS:brew install tesseract tesseract-lang(后者是语言包)。
   • Linux (Ubuntu/Debian):sudo apt-get install tesseract-ocr tesseract-ocr-chi-sim(安装简体中文语言包)。

安装验证： 安装完成后，在命令行中分别执行pdftoppm -h（poppler工具）和tesseract --version，如果能看到帮助信息或版本号，说明系统依赖安装成功。

4. 实战一：从原生PDF中提取精准文本与表格

假设我们手头有一份由报表软件直接导出的PDF，里面的文字和表格都是可选的。我们的目标是精确提取所有文字内容，并结构化地提取表格数据。

4.1 使用 pdfplumber 提取全部文本

pdfplumber的API设计非常直观，其核心是PDF对象和Page对象。

import pdfplumber def extract_text_with_pdfplumber(pdf_path): """ 使用pdfplumber提取PDF中的所有文本。 参数: pdf_path: PDF文件的路径 返回: 包含所有页面文本的字符串 """ all_text = "" try: # 使用with语句确保文件正确关闭 with pdfplumber.open(pdf_path) as pdf: print(f"文档总页数: {len(pdf.pages)}") for i, page in enumerate(pdf.pages): # .extract_text() 是核心方法，还可以加参数如 x_tolerance=3 来微调 page_text = page.extract_text() if page_text: all_text += f"\n--- 第 {i+1} 页内容 ---\n{page_text}\n" else: all_text += f"\n--- 第 {i+1} 页 (未提取到文本) ---\n" return all_text except Exception as e: print(f"处理PDF时发生错误: {e}") return None # 使用示例 if __name__ == "__main__": text_content = extract_text_with_pdfplumber("你的文档.pdf") if text_content: # 可以将文本保存到文件 with open("提取的文本.txt", "w", encoding="utf-8") as f: f.write(text_content) print("文本提取完成，已保存至‘提取的文本.txt’")

实操心得：

• page.extract_text()默认使用一个简单的布局分析算法，对于大多数现代生成的PDF效果很好。但如果遇到文本顺序错乱，可以尝试page.extract_text(x_tolerance=2, y_tolerance=2)来调整单词和行的合并阈值。
• pdfplumber还能提取page.extract_words()（返回单词列表及其坐标）、page.extract_text_lines()等，为更精细的分析提供了可能。

4.2 使用 pdfplumber 精准提取表格数据

pdfplumber的表格提取功能是其王牌特性，它能识别出由线条或空白分隔的表格区域。

import pdfplumber import pandas as pd def extract_tables_with_pdfplumber(pdf_path, page_num=0, table_settings=None): """ 提取PDF指定页面中的表格。 参数: pdf_path: PDF文件路径 page_num: 页码（从0开始） table_settings: 传递给pdfplumber的表格检测设置 返回: 一个列表，每个元素是一个表格的DataFrame """ if table_settings is None: # 默认设置，可根据实际情况调整 table_settings = { "vertical_strategy": "lines", # 检测垂直线 "horizontal_strategy": "lines", # 检测水平线 "snap_tolerance": 4, # 将距离较近的线合并 "join_tolerance": 4, # 将断开的线连接 } tables_df_list = [] try: with pdfplumber.open(pdf_path) as pdf: if page_num >= len(pdf.pages): print(f"页码 {page_num} 超出范围。") return tables_df_list page = pdf.pages[page_num] # 核心方法：find_tables() 或 extract_tables() # extract_tables() 直接返回表格数据 tables = page.extract_tables(table_settings) for i, table in enumerate(tables): if table: # 确保表格非空 # 将提取的列表转换为pandas DataFrame df = pd.DataFrame(table[1:], columns=table[0]) # 假设第一行是表头 tables_df_list.append(df) print(f"找到表格 {i+1}, 形状: {df.shape}") # 可以立即保存或处理 df.to_csv(f"page_{page_num+1}_table_{i+1}.csv", index=False, encoding='utf-8-sig') except Exception as e: print(f"提取表格时发生错误: {e}") return tables_df_list # 使用示例：提取第一页的所有表格 if __name__ == "__main__": tables = extract_tables_with_pdfplumber("包含表格的文档.pdf", page_num=0) for idx, df in enumerate(tables): print(f"\n表格{idx+1}预览:") print(df.head())

避坑指南：

• 表格检测策略：vertical_strategy和horizontal_strategy是关键参数。如果PDF表格没有明显的边框线（只有空白），可以设置为"text"或"explicit"。多试试几种组合。
• 表头处理：extract_tables()返回的是二维列表，默认不区分表头。代码中我们假设第一行是表头，但实际情况可能更复杂（如多行表头）。你需要根据PDF的实际情况手动处理DataFrame的列名。
• 单元格合并：PDF中的合并单元格在提取后可能会被拆分成多个相同内容的单元格，需要在后续用pandas进行合并处理。

5. 实战二：从PDF中提取内嵌图片

PDF中的图片分为两种：内嵌图片（作为资源嵌入）和页面背景图（或扫描页）。这里我们先处理第一种。

5.1 使用 PyMuPDF 提取并保存图片

PyMuPDF(导入名fitz) 提供了非常高效的图片提取接口。

import fitz # PyMuPDF import os from PIL import Image def extract_images_with_fitz(pdf_path, output_dir="extracted_images"): """ 使用PyMuPDF提取PDF中的所有内嵌图片。 参数: pdf_path: PDF文件路径 output_dir: 图片输出目录 """ # 创建输出目录 if not os.path.exists(output_dir): os.makedirs(output_dir) try: doc = fitz.open(pdf_path) total_images_extracted = 0 # 遍历每一页 for page_index in range(len(doc)): page = doc[page_index] # get_images() 返回页面上的图片列表 image_list = page.get_images(full=True) for img_index, img_info in enumerate(image_list): xref = img_info[0] # 图片的交叉引用索引 base_image = doc.extract_image(xref) image_bytes = base_image["image"] # 图片的二进制数据 image_ext = base_image["ext"] # 图片扩展名，如 "jpeg", "png" image_width = base_image["width"] image_height = base_image["height"] # 生成唯一文件名 image_filename = f"page_{page_index+1}_img_{img_index+1}.{image_ext}" image_path = os.path.join(output_dir, image_filename) # 保存图片 with open(image_path, "wb") as img_file: img_file.write(image_bytes) total_images_extracted += 1 print(f"已保存: {image_path} ({image_width}x{image_height})") doc.close() print(f"\n处理完成。从 {len(doc)} 页中总共提取了 {total_images_extracted} 张图片。") except Exception as e: print(f"提取图片过程中出错: {e}") # 使用示例 if __name__ == "__main__": extract_images_with_fitz("包含图片的文档.pdf")

核心原理与技巧：

• page.get_images(full=True)返回一个列表，其中每个元素是一个元组，包含图片的xref（唯一标识）和其他信息。full=True确保获取完整信息。
• doc.extract_image(xref)是核心，它通过xref从PDF文档中解码出图片的原始像素数据（bytes）和元数据。
• 保存的图片格式（ext）是PDF内部存储的格式，通常是JPEG或PNG，直接使用即可。
• 为什么用PyMuPDF而不用PyPDF2？PyPDF2也能获取图片对象，但处理起来更原始、复杂，且对压缩图片的支持不如PyMuPDF稳定。PyMuPDF是工业级的选择。

5.2 处理扫描版PDF或整页为图的情况

对于扫描版PDF，每一页本质上就是一张大图。我们的目标不是“提取内嵌图片”，而是“将每一页转换为一张图片”。这时pdf2image库是首选。

from pdf2image import convert_from_path, convert_from_bytes import os def convert_pdf_to_images(pdf_path, output_dir="pdf_pages", dpi=200, fmt='JPEG'): """ 将PDF的每一页转换为单独的图片。 参数: pdf_path: PDF文件路径 output_dir: 输出目录 dpi: 输出图片的分辨率，越高越清晰，文件也越大。150-300是常用范围。 fmt: 输出格式，如'JPEG', 'PNG' """ if not os.path.exists(output_dir): os.makedirs(output_dir) try: # 核心转换函数 images = convert_from_path(pdf_path, dpi=dpi, fmt=fmt) for i, image in enumerate(images): image_filename = f"page_{i+1:03d}.{fmt.lower()}" image_path = os.path.join(output_dir, image_filename) image.save(image_path, fmt) print(f"已保存: {image_path}") print(f"\n转换完成，共生成 {len(images)} 张图片。") except Exception as e: print(f"转换PDF为图片时出错: {e}") # 使用示例 if __name__ == "__main__": # 转换一个扫描版PDF convert_pdf_to_images("扫描版文档.pdf", dpi=150) # 如果你只有PDF的二进制数据，可以使用 convert_from_bytes(pdf_bytes, ...)

注意：pdf2image依赖于前面安装的Poppler。如果运行时提示找不到pdftoppm命令，请回头检查系统环境变量PATH是否配置正确。

6. 实战三：OCR识别扫描版PDF中的文字

将扫描版PDF转为图片后，最关键的一步就是通过OCR（光学字符识别）将图片中的文字“读”出来。我们将使用pytesseract调用 Tesseract 引擎来完成。

6.1 对单张图片进行OCR

首先，我们编写一个通用的图片OCR函数，它会对图片进行一些预处理以提高识别率。

import pytesseract from PIL import Image, ImageEnhance, ImageFilter import cv2 # 可选，用于更高级的图像预处理 import numpy as np def ocr_image(image_path, lang='chi_sim+eng', preprocessing=True): """ 对单张图片进行OCR识别。 参数: image_path: 图片文件路径 lang: 语言包，'chi_sim'是简体中文，'eng'是英文，用'+'连接可多语言 preprocessing: 是否进行简单的图像预处理（二值化、去噪等） 返回: 识别出的文本字符串 """ try: # 1. 打开图片 img = Image.open(image_path) # 2. 图像预处理（显著提升识别准确率） if preprocessing: # 转换为灰度图 if img.mode != 'L': img = img.convert('L') # 增强对比度 enhancer = ImageEnhance.Contrast(img) img = enhancer.enhance(2.0) # 增强因子，可调整 # 可选：使用PIL进行简单二值化 # threshold = 160 # img = img.point(lambda p: p > threshold and 255) # 可选：轻微降噪（谨慎使用，可能模糊文字） # img = img.filter(ImageFilter.MedianFilter(size=1)) # 3. 配置Tesseract参数 custom_config = r'--oem 3 --psm 6' # --oem 3: 使用默认的LSTM OCR引擎 # --psm 6: 假定为统一的文本块（适用于单栏文档）。PSM模式很多，需根据页面布局调整。 # 例如，--psm 11 是“稀疏文本”，--psm 4 是“单列可变大小文本”。 # 4. 执行OCR text = pytesseract.image_to_string(img, lang=lang, config=custom_config) return text.strip() except Exception as e: print(f"OCR处理图片 {image_path} 时出错: {e}") return "" # 使用示例 if __name__ == "__main__": text = ocr_image("page_001.jpeg", lang='chi_sim') print("识别结果：") print(text)

6.2 批量处理扫描版PDF：转换+OCR全流程

现在，我们将convert_pdf_to_images和ocr_image组合起来，实现从扫描版PDF到文本的端到端流程。

import os from pdf2image import convert_from_path def ocr_scanned_pdf(pdf_path, output_text_dir="ocr_text_output", dpi=200, lang='chi_sim+eng'): """ 全流程：扫描版PDF -> 图片 -> OCR -> 文本。 参数: pdf_path: 扫描版PDF路径 output_text_dir: 文本输出目录 dpi: 转换图片时的分辨率 lang: OCR语言 """ # 创建临时图片目录和文本输出目录 temp_image_dir = "temp_pdf_images" if not os.path.exists(temp_image_dir): os.makedirs(temp_image_dir) if not os.path.exists(output_text_dir): os.makedirs(output_text_dir) pdf_name = os.path.splitext(os.path.basename(pdf_path))[0] final_text = f"OCR识别结果 - 源文件: {pdf_name}\n{'-'*50}\n" try: print(f"开始转换PDF: {pdf_path}") # 步骤1: PDF转图片 images = convert_from_path(pdf_path, dpi=dpi) for i, image in enumerate(images): print(f" 正在处理第 {i+1}/{len(images)} 页...") # 临时保存图片（也可直接对image对象进行OCR，保存是为了调试） temp_image_path = os.path.join(temp_image_dir, f"page_{i+1:03d}.png") image.save(temp_image_path, 'PNG') # 步骤2: 对图片进行OCR page_text = ocr_image(temp_image_path, lang=lang, preprocessing=True) # 步骤3: 累积结果并每页保存单独文件 final_text += f"\n--- 第 {i+1} 页 ---\n{page_text}\n" page_text_path = os.path.join(output_text_dir, f"{pdf_name}_page_{i+1:03d}.txt") with open(page_text_path, 'w', encoding='utf-8') as f: f.write(page_text) # 保存合并的全文文本 final_text_path = os.path.join(output_text_dir, f"{pdf_name}_full.txt") with open(final_text_path, 'w', encoding='utf-8') as f: f.write(final_text) print(f"\nOCR完成！") print(f" 单页文本保存至: {output_text_dir}/") print(f" 合并文本保存至: {final_text_path}") # 可选：清理临时图片文件 # import shutil # shutil.rmtree(temp_image_dir) except Exception as e: print(f"处理扫描版PDF整体流程出错: {e}") finally: # 确保即使出错也尝试关闭资源 pass # 使用示例 if __name__ == "__main__": ocr_scanned_pdf("一份扫描版合同.pdf", lang='chi_sim', dpi=250)

提升OCR准确率的独家技巧：

1. 分辨率是王道：dpi并非越高越好。通常200-300 DPI对于大多数文档是最佳范围。太低则文字模糊，太高则处理慢且可能引入更多噪声。可以先试一页看看效果。
2. PSM模式调参：Tesseract的--psm参数至关重要。对于简单的单栏文档，--psm 6很好用。如果版面复杂（多栏、带图片），可以尝试--psm 3（全自动页面分割，但不保证效果）或--psm 11（稀疏文本）。最笨但有效的方法是：用不同的PSM模式识别同一页，对比结果。
3. 预处理是关键：代码中的预处理（转灰度、增强对比度、二值化）能极大提升识别率，尤其是对于发黄、褪色或背景有噪点的扫描件。对于更复杂的情况，可以引入OpenCV (cv2)进行高斯模糊、形态学操作（开运算、闭运算）等。
4. 语言包要装全：确保安装了正确的语言包（如chi_sim对应简体中文）。多语言文档用+连接，如'chi_sim+eng'。Tesseract会尝试所有指定语言，但顺序可能影响结果。

7. 常见问题排查与性能优化实录

在实际操作中，你肯定会遇到各种“坑”。下面是我总结的常见问题及解决方案，相当于一份速查手册。

7.1 文本提取乱码或顺序错乱

• 问题描述：用pdfplumber提取的文本段落顺序不对，或者中文字符显示为乱码。
• 原因与解决：
  1. 编码问题：确保在写入文件时指定了正确的编码（utf-8）。Python和文本编辑器都使用UTF-8。
  2. PDF字体嵌入问题：有些PDF使用了特殊字体或未完整嵌入字体子集。pdfplumber和PyMuPDF通常能处理，但极端情况下会失败。可以尝试用PyMuPDF的page.get_text("text")或page.get_text("dict")以不同方式提取。
  3. 布局分析失败：对于复杂排版（如多栏、图文混排紧密），默认的文本提取策略可能失效。尝试调整pdfplumber的extract_text参数：

     text = page.extract_text(x_tolerance=3, y_tolerance=3, layout=True)

     或者使用page.extract_words()获取带坐标的单词列表，然后自己根据Y坐标排序来重组文本。
  4. 终极方案：如果上述都无效，且PDF是数字版，可以尝试先将PDF通过虚拟打印机（如“Microsoft Print to PDF”）重新打印一份，有时能“规范化”文档结构。

7.2 表格提取不完整或错位

• 问题描述：表格线没识别到，或者单元格内容串行。
• 原因与解决：
  1. 调整检测策略：这是最常见的原因。如果表格没有实线边框，将table_settings中的strategy从"lines"改为"text"，它会根据文本对齐方式来推断表格。

     table_settings = {"vertical_strategy": "text", "horizontal_strategy": "text"}

  2. 调整容差：增大snap_tolerance和join_tolerance的值（比如从4调到8），让算法更容易将断断续续的线连接成完整的表格线。
  3. 指定表格区域：如果页面只有部分区域是表格，可以先获取页面的尺寸，然后手动指定一个矩形区域来提取。

     # page.crop((x0, top, x1, bottom)) 单位是点 table_area = page.crop((50, 100, page.width-50, 300)) tables = table_area.extract_tables()

  4. 后处理：提取后的数据是二维列表，可能需要清洗空行、合并拆分错误的单元格。结合pandas的DataFrame操作进行清洗。

7.3 OCR识别率低，特别是中文

• 问题描述：Tesseract识别中文错误百出。
• 原因与解决：
  1. 确认语言包：运行tesseract --list-langs查看已安装的语言包，确保chi_sim存在。
  2. 图像质量：这是最主要的原因。检查转换出的图片是否清晰。提高dpi（如300），并加强预处理环节。对于背景不均匀的扫描件，可以尝试自适应阈值二值化（需OpenCV）：

     import cv2 img_cv = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) img_binary = cv2.adaptiveThreshold(img_cv, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) # 再将img_binary传给pytesseract

  3. PSM模式：对中文文档，可以尝试--psm 6或--psm 4。对于竖排中文，可能需要特殊处理。
  4. 使用更优的OCR引擎：如果Tesseract对某个特定类型文档（如发票、车牌）效果始终不佳，可以考虑商用OCR API（如百度、阿里云、腾讯云的OCR服务），它们通常针对中文场景优化得更深，但需要网络和费用。

7.4 处理速度慢，特别是大型PDF

• 问题描述：处理几百页的PDF时，脚本运行非常耗时。
• 性能优化策略：
  1. 按需处理：不要一次性处理整个PDF。如果只需要特定页面，用pdfplumber.open(pdf_path).pages[10:20]或fitz.open(pdf_path)[10:20]来切片。
  2. 降低DPI：对于OCR流程，在可接受范围内降低dpi（如从300降到200），能大幅减少图片大小和处理时间。
  3. 并行处理：对于多页独立的任务（如每页OCR），可以使用Python的concurrent.futures模块进行多进程/多线程并行处理。注意：Tesseract本身可能不是完全线程安全的，建议使用多进程ProcessPoolExecutor。

     from concurrent.futures import ProcessPoolExecutor def ocr_page(image_path): # ... OCR单张图片的函数 ... return text with ProcessPoolExecutor(max_workers=4) as executor: # image_paths 是图片路径列表 results = list(executor.map(ocr_page, image_paths))

  4. 内存管理：使用with语句打开PDF文件，确保资源及时释放。对于pdf2image，如果PDF极大，一次性转换所有页可能内存不足，可以使用convert_from_path的first_page和last_page参数分批次处理。

7.5 依赖库安装失败或运行时找不到动态库

• 问题描述：安装PyMuPDF或pdf2image失败，或者运行时提示DLL load failed或pdftoppm not found。
• 解决方案：
  1. PyMuPDF：在Windows上，优先使用预编译的wheel文件。如果pip install PyMuPDF失败，可以到 PyMuPDF官网 查看对应Python版本和系统的wheel文件，用pip install 下载的.whl文件安装。
  2. pdf2image的poppler：这是最经典的错误。务必将poppler的bin目录加入系统PATH环境变量，并重启你的命令行终端或IDE。在代码中也可以临时指定路径：

     from pdf2image import convert_from_path poppler_path = r"C:\path\to\poppler\bin" # Windows示例 images = convert_from_path(pdf_path, poppler_path=poppler_path)

  3. Tesseract：同理，确保其安装目录在PATH中。也可以在代码中指定：

     pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

处理PDF是一个需要耐心和细致的工作，因为文档的来源和格式千差万别。没有一种方法能通吃所有场景。我的经验是，先快速用pdfplumber尝试提取原生文本，如果效果不佳，再判断是否为扫描件，走pdf2image + pytesseract的OCR流程。对于重要的项目，往往需要针对特定的文档格式，微调预处理参数和OCR配置，才能达到生产级的准确率。希望这份详尽的指南和踩坑记录，能帮你顺利搞定Python处理PDF的各类任务。