python - 如何从 PDF 文件中提取文本和文本坐标？

Question

我想用 PDFMiner 从 PDF 文件中提取所有文本框和文本框坐标。

许多其他 Stack Overflow 帖子解决了如何以有序方式提取所有文本，但我如何执行获取文本和文本位置的中间步骤？

给定一个 PDF 文件，输出应该类似于:

489, 41,  "Signature"
500, 52,  "b"
630, 202, "a_g_i_r"

Answer 1

这是一个可以复制粘贴的示例，它列出了 PDF 中每个文本 block 的左上角，我认为它适用于任何不包含具有文本的“Form XObjects”的 PDF其中:

from pdfminer.layout import LAParams, LTTextBox
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator

fp = open('yourpdf.pdf', 'rb')
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
pages = PDFPage.get_pages(fp)

for page in pages:
    print('Processing next page...')
    interpreter.process_page(page)
    layout = device.get_result()
    for lobj in layout:
        if isinstance(lobj, LTTextBox):
            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text()
            print('At %r is text: %s' % ((x, y), text))

以上代码基于 Performing Layout Analysis PDFMiner 文档中的示例，以及 pnj ( https://stackoverflow.com/a/22898159/1709587 ) 和 Matt Swain ( https://stackoverflow.com/a/25262470/1709587 ) 的示例。我对这些之前的示例进行了一些更改:

• 我使用 PDFPage.get_pages()，它是创建文档的简写，检查它 is_extractable，并将其传递给 PDFPage.create_pages()
• 我不会费心处理 LTFigure，因为 PDFMiner 目前无论如何都无法干净地处理其中的文本。

LAParams 让您可以设置一些参数来控制 PDF 中的单个字符如何被 PDFMiner 神奇地分组到行和文本框中。如果您对这样的分组是一件完全需要发生的事情感到惊讶，那么 pdf2txt docs 是合理的。 :

In an actual PDF file, text portions might be split into several chunks in the middle of its running, depending on the authoring software. Therefore, text extraction needs to splice text chunks.

LAParams 的参数与大多数 PDFMiner 一样，没有文档记录，但您可以看到它们 in the source code或通过在 Python shell 中调用 help(LAParams)。 https://pdfminer-docs.readthedocs.io/pdfminer_index.html#pdf2txt-py给出了一些参数的含义因为它们也可以在命令行中作为参数传递给 pdf2text。

上面的layout 对象是一个LTPage，它是一个“布局对象”的可迭代对象。这些布局对象中的每一个都可以是以下类型之一...

• LTTextBox
• LTFigure
• LTImage
• LTLine
• LTRect

... 或其子类。 (特别是，您的文本框可能都是 LTTextBoxHorizo​​ntals。)

文档中的这张图片显示了 LTPage 结构的更多细节:

上述每种类型都有一个 .bbox 属性，其中包含一个 (x0, y0, x1 , y1) 元组，分别包含对象的左、下、右和上坐标。 y 坐标表示为到页面底部 的距离。如果您更方便地使用从上到下的 y 轴，您可以从页面的 .mediabox 的高度中减去它们:

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

除了 bbox 之外，LTTextBoxes 还有一个 .get_text() 方法，如上所示，该方法将其文本内容返回为一个字符串。请注意，每个 LTTextBox 都是 LTChar(由 PDF 显式绘制的字符，带有 bbox)和 LTAnno 的集合code>s(PDFMiner 根据被绘制的字符相距很远，添加到文本框内容的字符串表示形式的额外空格；这些没有 bbox)。

这个答案开头的代码示例结合了这两个属性来显示每个文本 block 的坐标。

最后，值得注意的是，与上面引用的其他 Stack Overflow 答案不同，我不费心递归到 LTFigure 中。尽管 LTFigures 可以包含文本，但 PDFMiner 似乎无法将该文本分组到 LTTextBoxes 中(您可以尝试使用 https://stackoverflow.com/a/27104504/1709587 中的示例 PDF)，而是生成一个直接包含 LTChar 对象的 LTFigure。原则上，您可以弄清楚如何将这些拼凑成一个字符串，但 PDFMiner(截至 20181108 版)无法为您完成。

但希望您需要解析的 PDF 不使用其中包含文本的 Form XObject，因此此警告不适用于您。