python - 在python中解析PDF形状数据

Question

我正在尝试编写一个脚本来修复 PDF，这些 PDF 是通过 Autocad 的 DWG2PDF 打印驱动程序导出的大量 PDF。

使用此驱动程序时，所有 SHX 字体都呈现为形状数据而不是文本数据，但它们确实会在 PDF 的预期位置和预期文本中插入注释。

到目前为止，在我的脚本中，我已经让它运行整个 PDF 并在每个部分的顶部插入隐藏文本，并将文本压缩到评论的大小，这让我完成了 90% 的工作，并给了我一个可搜索的文档。

不幸的是，评论区域的大小相对较粗(基于整数)，这使得很难准确确定短文本的方向，并导致文本周围的框大小不均匀。

我希望能够解析 PDF 中的形状数据，收集注释范围内的所有内容，然后确定一个更小、更准确的边界框。然而，我能找到的所有信息都是人们试图解析文本数据，而我在形状数据方面根本找不到任何东西。

下图是 PDF 中原始文本的示例，第二张图显示了蓝色的注释边界框，红色文本是我设置为隐藏的内容，以使文档可搜索，并可复制/粘贴。通过将框缩小固定的边距，我可以让事情变得更好一些，但是对于小文本项目，注释框坐标数据的低分辨率会使事情变得困惑。

为了实现这一目标，我使用了 PyPDF2 和 reportlab 的组合，但我愿意迁移到不同的库。

Answer 1

我最终没有找到 PyPDF2 的解决方案，我能够找到一种简单的方法来迭代 pdfminer.6 中的形状数据，但随后无法在 pdfminer 中找到提取注释数据的好方法。

因此，我使用一个库来获取注释，使用一个库来查看形状数据，最后使用第三个库在新 pdf 上添加隐藏文本。随着工作表复杂性的增加，它运行得相当慢，但给了我足够好的结果，请参见下图，其中注释中发现的粗糙绿色边框缩小为文本周围的蓝色边框。当然，我不会绘制边界，并使用不可见的文本作为实际的程序输出，提供非常好的可选择/可搜索文本。

如果有人对循环 PDF 中的形状数据感兴趣，下面的代码片段应该可以帮助您入门。

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTLine, LTCurve

for page_layout in extract_pages("TestSchem.pdf"):
    for element in page_layout:
        if isinstance(element, LTCurve) or isinstance(element, LTLine):
            print(element.bbox)