Python脚本用PyPDF2与gTTS实现PDF转有声读物的多页覆盖

脚本专家

原文要解决的问题是用 Python 把 PDF 文本抽取出来，再交给 gTTS 合成 mp3。脚本由两条链路组成：PyPDF2 负责按页读取和提取文本，gTTS 负责语音合成。原文环境为 Python 3.x，依赖 PyPDF2 与 gtts。

核心函数拆解：read_pdf(file_path) 以 rb 模式打开 PDF，用 PyPDF2.PdfFileReader 创建阅读器，通过 numPages 遍历页，调用 getPage(page_num).extractText() 收集每页文本，返回文本列表。convert_to_speech(text) 用 gTTS(text=text, lang='zh') 生成中文语音，并保存为 output.mp3。main() 从 input 获取 PDF 路径，先执行 read_pdf，再对每页调用 convert_to_speech。

原文基础实现整理如下：

2. import PyPDF2
3. from gtts import gTTS
5. def read_pdf(file_path):
6.     with open(file_path, 'rb') as file:
7.         pdf_reader = PyPDF2.PdfFileReader(file)
8.         text_content = []
9.         for page_num in range(pdf_reader.numPages):
10.             text_content.append(pdf_reader.getPage(page_num).extractText())
11.         return text_content
13. def convert_to_speech(text):
14.     tts = gTTS(text=text, lang='zh')
15.     tts.save('output.mp3')
16.     print('有声读物已生成，请查看输出文件。')
18. def main():
19.     file_path = input('请输入 Pdf 文件路径：')
20.     text_content = read_pdf(file_path)
21.     for page_text in text_content:
22.         convert_to_speech(page_text)
24. if __name__ == '__main__':
25.     main()

复制代码

参数与调用关系方面，lang 控制合成语言，原文固定为 zh；进阶版本的 convert_to_speech(text, lang, tts_speed) 将 tts_speed 传给 gTTS 的 slow 参数，但 slow 是慢速开关，不是任意速度数值。convert_multiple_pages_to_speech(file_path, pages, lang, tts_speed) 通过 pages 选择页面，再用 text_content[page_num] 取文本。pages 的索引语义原文没有说明，代码直接按列表下标使用；若传入自然页码，需要减 1，否则会错页或越界。

主要问题与排查重点：
1）输出覆盖。main 和多页函数都逐页调用 convert_to_speech，而函数内部固定保存为 output.mp3，后一页会覆盖前一页，最终只留下最后一页。排查时先看输出目录是否只有一个 output.mp3。修正方向是输出文件名带页码，或将多页文本合并后一次合成。
2）PyPDF2 接口兼容性。原文代码使用 PdfFileReader、numPages、getPage、extractText 这套接口；运行环境安装的 PyPDF2 版本若接口名不同，会出现找不到属性。应先核对所安装 PyPDF2 的版本和接口，再决定固定依赖或按实际接口改写读取部分。
3）slow 参数语义。tts_speed 变量名像速度，但 gTTS 的 slow 是布尔型慢速开关，传非布尔值不符合参数含义。
4）文本提取结果。extractText 按页提取，若 PDF 没有可提取的文本层，结果可能为空；原文未涉及 OCR 处理。

排查流程可参考：确认 Python 3.x；确认 PyPDF2 和 gtts 已安装；用明确路径确认 PDF 可读；打印 read_pdf 返回的页数和每页文本长度；检查 output.mp3 是否被覆盖；检查 pages 是否按 0 基索引传入；检查 lang 与 slow 参数是否符合 gTTS 调用含义。

按原文函数结构做小幅修正时，可保留 read_pdf 和 convert_to_speech 的职责，只把输出文件名加入页码、把 slow 改为布尔参数、在多页函数中传递页码，从而避免覆盖和参数误用。示例仍使用原文的 PyPDF2 旧接口；若运行环境接口不同，需要按实际版本调整读取部分：

2. import PyPDF2
3. from gtts import gTTS
5. def read_pdf(file_path):
6.     with open(file_path, 'rb') as file:
7.         pdf_reader = PyPDF2.PdfFileReader(file)
8.         text_content = []
9.         for page_num in range(pdf_reader.numPages):
10.             text_content.append(pdf_reader.getPage(page_num).extractText())
11.         return text_content
13. def convert_to_speech(text, page_num=0, lang='zh', slow=False):
14.     tts = gTTS(text=text, lang=lang, slow=slow)
15.     filename = 'output_%d.mp3' % page_num
16.     tts.save(filename)
17.     print('有声读物已生成：', filename)
19. def convert_multiple_pages_to_speech(file_path, pages, lang='zh', slow=False):
20.     text_content = read_pdf(file_path)
21.     for page_num in pages:
22.         convert_to_speech(text_content[page_num], page_num, lang, slow)
24. def main():
25.     file_path = input('请输入 Pdf 文件路径：')
26.     text_content = read_pdf(file_path)
27.     for page_num, page_text in enumerate(text_content):
28.         convert_to_speech(page_text, page_num)
30. if __name__ == '__main__':
31.     main()

复制代码

适用场景是文本型 PDF 的有声化、按页选择合成和中文朗读。原文只覆盖文本提取与 gTTS 合成，没有实现扫描件 OCR、音频合并和断句优化，这些不应被当作原文已具备的能力。

热心网友1

这篇整理很实用，尤其是把“输出覆盖”放在第一个排查点很关键。固定保存成 output.mp3 确实会让逐页合成只留下最后一页，改成按页码命名或者先把多页文本合并再一次性合成，都是合理方向。PyPDF2 旧接口兼容性和 slow 参数语义也提醒得很到位，很多人容易把 slow 当成任意速度值。多页函数里 pages 的 0 基索引问题也值得强调，最好在调用前明确自然页码和列表下标的转换，避免错页或越界。另外文本提取为空的情况可以再细一点，比如先打印每页文本长度，空页跳过或提示可能是扫描版 PDF。最后示例里的 main 函数好像没贴完整，补全后会更方便直接参考。

热心网友1

楼主这篇整理挺清楚的，把 PyPDF2 抽文本和 gTTS 合成两条链路分开讲，排查点也列得比较实用。最关键的确实是输出覆盖问题：逐页调用却固定保存成 output.mp3，最后只会留下最后一页，改成带页码的文件名或先合并文本再一次合成都能解决。 另外几个提醒也很到位：pages 如果是自然页码要减 1，slow 只是布尔慢速开关不是任意速度，旧版 PyPDF2 接口在不同环境下可能不兼容。实际跑的时候建议先打印每页文本长度，确认 PDF 有可提取文本层；如果没有文本层，extractText 结果可能为空，这种情况就需要考虑 OCR 了。整体思路很适合做小工具原型，按楼主说的小幅修正保留原函数职责也很稳妥。

热心网友1

楼主把两条链路和几个坑都拆得挺清楚，输出覆盖和多页索引这两个确实是实际跑的时候最先撞上的。页数一多，全都存成 output.mp3 的话，最后一页静悄悄把前面全盖掉，排查起来还以为是 gTTS 没出声。 我自己用的时候有几个小补充，跟楼主提到的方向一致： 一是 PyPDF2 那套旧接口现在确实不稳，较新的版本已经改成 PdfReader 加 len(reader.pages)、reader.pages.extract_text()，如果按原文代码直接跑报 AttributeError，先别怀疑文件，看下装的是哪个版本最省事。要么钉死依赖版本，要么按新接口改读取那几行。 二是 pages 用 0 基下标这个，建议在 convert_multiple_pages_to_speech 里加个范围检查，或者干脆在入口处把用户输入的自然页码统一减一，然后打一行“第几页到第几页”的日志。不然错页了很难发现，因为文件名对得上、内容却串了。 三是每页单独合成 mp3 后，最好把文件名带上页码范围或时间戳，比如 output_p3_20250101.mp3 这种，避免多次运行互相覆盖，也方便后面对照原文听。 四是提取出来的页文本可能是空字符串，比如扫描版没文本层或者页眉页脚页，gTTS 对空文本会直接抛错，所以循环里加个 if not text.strip(): continue 比较稳。真遇到整本