当上传的pdf文件不是纯文本时，包含表格时，PyPDFLoader最终找到的文件时空文件，导致输出报错

PyPDFLoader（底层使用pypdf）主要是通过提取 PDF 的矢量文本流来工作的。对于扫描版 PDF、纯图片 PDF 或包含复杂排版/渲染表格的 PDF，PyPDFLoader往往提取不到任何有效文本或只能提取出大量空白，从而触发空文档报错。

要彻底解决包含表格、扫描件或复杂图文 PDF的解析问题，通常有以下3 种主流解决方案：

方案 1：使用unstructured模块解析（推荐，支持表格结构提取）

LangChain 官方推荐使用UnstructuredPDFLoader，它能够识别复杂的文档结构（包括表格、列表、标题等），并将其转化为清晰的文本描述。

1. 安装依赖

pipinstall"unstructured[pdf]"

2. 替换加载器代码

将from langchain_community.document_loaders import PyPDFLoader替换为UnstructuredPDFLoader：

fromlangchain_community.document_loadersimportUnstructuredPDFLoader# 替换原来的 PyPDFLoader# mode="single" 表示将整份文档合并解析，也可设为 "elements" 按表格/段落拆分loader=UnstructuredPDFLoader(tmp_file_path,mode="single")pages=loader.load()

方案 2：使用pdfplumber解析（针对带表格的电子版 PDF）

如果 PDF 是电子生成的（非扫描件），但因为里面有表格导致PyPDFLoader抓取失败或乱码，pdfplumber是提取表格和文本最精准的工具。

1. 安装依赖

pipinstallpdfplumber

2. 使用pdfplumber编写增强版 PDF 加载函数

可以直接替换原代码中的PyPDFLoader部分：

importpdfplumberfromlangchain_core.documentsimportDocumentdefload_pdf_with_tables(pdf_path):docs=[]withpdfplumber.open(pdf_path)aspdf:forpage_num,pageinenumerate(pdf.pages):# 1. 提取普通文本text=page.extract_text()or""# 2. 提取表格并转化为 Markdown 格式的文本tables=page.extract_tables()table_texts=[]fortableintables:# 过滤全空行clean_table=[[cellifcellelse""forcellinrow]forrowintableifany(row)]ifclean_table:# 将二维数组表格转换为简单的 Markdown 文本形式forrowinclean_table:table_texts.append(" | ".join(row))full_content=text+"\n\n"+"\n".join(table_texts)iffull_content.strip():docs.append(Document(page_content=full_content,metadata={"page":page_num+1}))returndocs

在主流程中调用：

# 3. 加载与解析 PDF 文本（支持表格提取）pages=load_pdf_with_tables(tmp_file_path)os.remove(tmp_file_path)# 清理临时文件

方案 3：开启 OCR 支持（针对纯图片/扫描版 PDF）

如果上传的 PDF 是图片扫描件（即没有任何文本层），则必须依赖OCR（光学字符识别）。

1. 安装依赖

需要安装pdf2image和pytesseract（同时需在操作系统安装tesseract引擎）：

pipinstallpdf2image pytesseract

2. 结合pdf2image+pytesseract的备用提取逻辑

可以在文本提取为空时自动降级到 OCR 模式：

importpytesseractfrompdf2imageimportconvert_from_pathfromlangchain_core.documentsimportDocumentdefload_pdf_with_ocr_fallback(pdf_path):# 先尝试用 pdfplumber 提取docs=load_pdf_with_tables(pdf_path)# 如果提取出的内容为空，说明可能是扫描件/纯图片 PDF，启用 OCR 提取ifnotdocs:images=convert_from_path(pdf_path)docs=[]fori,imageinenumerate(images):# 使用 OCR 识别图片内容（chi_sim 识别中文，eng 识别英文）text=pytesseract.image_to_string(image,lang='chi_sim+eng')iftext.strip():docs.append(Document(page_content=text,metadata={"page":i+1}))returndocs

总结

• 如果主要是带有数据表格的电子版 PDF：优先选择方案 2 (pdfplumber)，无需额外安装复杂的系统 C 库，能精准提取表格内容。
• 如果是复杂的排版文档：优先选择方案 1 (unstructured)。
• 如果包含图片扫描件 PDF：选择方案 3 (OCR 降级处理)。