PDFPlumber解析PDF文本报错：AssertionError: (‘Unhandled’, 6)

1、问题描述

今天在使用PDFPlumber模块提取PDF文本时extract_text()方法报错，报错内容如下：

Traceback (most recent call last):
  ......
  File "F:\Python\...\site-packages\pdfminer\pdffont.py", line 1091, in __init__
    self.unicode_map = ttf.create_unicode_map()
  File "F:\Python\...\site-packages\pdfminer\pdffont.py", line 826, in create_unicode_map
    assert False, str(("Unhandled", fmttype))
AssertionError: ('Unhandled', 6)

报错代码如下：

import pdfplumber

with pdfplumber.open(rf'F:\...\file.pdf') as pdf:
    for page in pdf.pages:
        print(page.extract_text())

2、问题原因

经查找原因，最终确定可能是PDF文件本身的原因，具体可见这篇文章：https://github.com/jsvine/pdfplumber/discussions/994?sort=new

ChatGPT则认这种错误是因为库内部遇到了某种它无法处理的情况，ChatGPT给出的解决方案如下：

1） 更新PDFPlumber库

pip install --upgrade pdfplumber

2） 检查PDF文件

确认PDF文件没有损坏，并且是文本格式的PDF而不是扫描的图像

3） 使用其他方法

可以尝试使用extract_words()或extract_tables()等其他方法，这取决于你需要提取的内容类型

4） 捕获异常

添加异常处理，这样即使遇到错误也不会导致程序崩溃

try:
    text = page.extract_text()
except AssertionError as e:
    print(e)
    text = None

5） 尝试其他库

可以考虑使用其他PDF处理库，如PyPDF2或PyMuPDF等

在尝试了ChatGPT的一些建议后，确定可能是PDF本身的原因，因此考虑使用其他库

3、问题解决

经过尝试，最终发现PyMuPDF库可以解析使用：

import fitz

with fitz.open(rf'F:\...\file.pdf') as doc:
    for page in doc.pages():
        print(page.get_text())

看来是PDF本身的原因，我们的PDF可能已经损坏