pdfplumber 表格识别准但大文件易卡顿，pymupdf 速度快且支持编辑但中文和表格识别弱；应按页类型分路径处理：pdfplumber 专攻表格页，pymupdf 处理文字、图片及编辑操作。
pdfplumber 读表格很准，但打开大文件卡死
pdfplumber 的核心优势是基于字符位置做文本布局分析，对扫描件不敏感，但对纯文本 PDF 的表格识别准确率明显高于 PyMuPDF。它默认用 pdfminer.six 解析，会把整页内容加载进内存再切分，遇到 100+ 页、带大量矢量图或嵌入字体的 PDF，pdfplumber.open() 可能卡住十几秒甚至抛出 MemoryError。
实操建议：
- 只读取需要的页：用
pages=[0, 5, 10]参数限制范围，别调pages=None（默认全读） - 关掉冗余解析：加
laparams={"all_texts": False}，避免构建文本框树形结构 - 大文件优先换 PyMuPDF 提取文本，再用 pdfplumber 单独抠某一页表格
PyMuPDF 支持直接改 PDF，pdfplumber 纯读取
PyMuPDF（fitz）本质是 PDF 渲染引擎封装，能增删页、涂鸦、加水印、合并、加密——所有操作都在原文件二进制层面生效；pdfplumber 完全没写能力，连保存为新 PDF 都做不到。
常见错误现象：有人试图用 pdfplumber.Page.to_image() 后调 .save()，结果发现返回的是 PIL.Image 对象，不是 PDF 页面，根本没法回写。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 要加页眉页脚或高亮关键词：用
fitz.Page.add_text_annot()或Page.insert_pdf() - 想从 pdfplumber 拿到坐标再用 PyMuPDF 标注？注意坐标系差异：
pdfplumbery 轴向下为正，fitz向上为正，得用page.rect.height - y反转 - 批量打水印场景，别先用 pdfplumber 提取文字再判断——直接用
fitz.Page.search_for("机密")更快
中文乱码时，PyMuPDF 要手动指定字体，pdfplumber 通常自动 fallback
PyMuPDF 默认只认基础 14 字体（如 Helvetica），遇到嵌入的中文字体（如 NotoSansCJKsc-Regular）或子集化字体，page.get_text("text") 返回空字符串或方块。pdfplumber 底层用 pdfminer，对 CID 字体和 ToUnicode CMap 支持更稳，多数情况无需干预。
实操建议：
- PyMuPDF 中强制用系统字体渲染：传参
page.get_text("text", fontname="simhei")（需提前确认该字体已安装） - 更可靠的做法是用
page.get_text("dict")拿原始字形信息，检查block["type"] == 0（文本块）和span["font"]字段，定位异常字体名 - pdfplumber 中若仍乱码，检查 PDF 是否真包含文字——用
pdftotext -layout input.pdf -命令验证，返回空说明是扫描件
提取速度差 3–5 倍，但“快”不等于“对”
PyMuPDF 解析单页平均 5–20ms，pdfplumber 同样页面常要 80–200ms，差距来自后者要做字符聚类、线检测、表格线匹配。但如果你要的是「每行首尾对齐的业务数据」，PyMuPDF 的 get_text("text") 可能把标题和正文挤在同一行，而 pdfplumber 的 page.extract_table() 能区分出表头与数据行。
性能陷阱：
- 别在循环里反复调
pdfplumber.open()——它每次都要解压对象流，开销远大于解析本身 - PyMuPDF 的
page.get_text("blocks")比"text"慢一倍，但结构更清晰，适合后续做规则提取 - 混合内容（文字+表格+图片）PDF，建议分路径处理：PyMuPDF 提取图片和页码，pdfplumber 专攻表格页
真正难的不是选哪个库，而是同一份 PDF 里不同页类型不一致——比如前 3 页是报告文字，中间 5 页是财务表格，最后 2 页是签名扫描件。这时候硬套一个库，不如按页分类再 dispatch。
