网页 Print To PDF 生成的 PDF 文本无法读取问题

缘起

在研究 RAG 技术时，遇到几个 PDF 文件。没多想就直接把它们丢给程序处理，结果发现什么都读不出来。打开 PDF 查看时，发现文件里有图片和文字，但点击图片正常显示，文字却无法选中。这很奇怪 - 要么是图片，要么是文字，但都不太符合：图片点击后会变暗显示边框，而这些文字点击后完全没反应。

开始怀疑是加密文件，检查后确认没有加密。后来在文档属性的"高级"选项中发现了端倪：【PDF 制作程序：Microsoft: Print To PDF】。这才明白，这些 PDF 是通过虚拟打印机从网页生成的，网页文字被转换成了矢量图形。

解决方案

知道原由那就简单了，用 OCR 识别就行，大致是先把 PDF 里每一页临时保存为图片，然后再用 OCR 识别出文字。如果是 Python 的话，就是 pdf2image + pytesseract。

另外，如果你自己可以控制 PDF 文件的生成，如果还是要把网页保存为 PDF，且还是要使用虚拟打印机，那么，在【目标打印机】的位置选择【另存为 PDF】就好了，何苦难为自己。