python - 如何使用 Python 中的坐标从 PDF 中提取文本片段？

Question

给定一个数字创建的 PDF 文件，我想提取带有坐标的文本。边界框会很棒，但 anchor +字体/字体大小也可以。
我创建了一个 example PDF document以便轻松尝试/分享结果。
我试过的
pdf转文本

pdftotext PDF-export-example.pdf -layout

给 this output .它已经包含文本，但坐标不在那里。
PyPDF2
PyPDF2 更糟——也没有坐标，也没有字体大小，在这种情况下甚至没有 ASCII 艺术线索布局是如何的:

from PyPDF2 import PdfFileReader


def text_extractor(path):
    with open(path, "rb") as f:
        pdf = PdfFileReader(f)
        page = pdf.getPage(0)
        text = page.extractText()
        print(text)


if __name__ == "__main__":
    path = "PDF-export-example.pdf"
    text_extractor(path)

pdfminer.6
另一种提取文本的方法，但没有坐标/字体大小。
谢谢 Duck puncher对于这个:

from io import StringIO

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


def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = "utf-8"
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, "rb")
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos = set()

    for page in PDFPage.get_pages(
        fp,
        pagenos,
        maxpages=maxpages,
        password=password,
        caching=caching,
        check_extractable=True,
    ):
        interpreter.process_page(page)

    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text


if __name__ == "__main__":
    print(convert_pdf_to_txt("PDF-export-example.pdf"))

这个在正确的方向上走得更远，因为它可以给出字体名称和大小。但是坐标仍然丢失(并且输出有点冗长，因为它是逐个字符的):

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar

for page_layout in extract_pages("PDF-export-example.pdf"):
    for element in page_layout:
        if isinstance(element, LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character, LTChar):
                        print(character)
                        print(character.fontname)
                        print(character.size)

表格
在这里我什么也没有得到:

from tabula import read_pdf

df = read_pdf("PDF-export-example.pdf")
print(df)

Answer 1

我用过 PyMuPDF将页面内容提取为带有 bbox 信息的单个单词列表。

import fitz

doc = fitz.open("PDF-export-example.pdf")

for page in doc:
    wlist = page.getTextWords()  # make the word list
    print(wlist)

输出 :

[
    (72.0250015258789, 72.119873046875, 114.96617889404297, 106.299560546875, 'Test', 0, 0, 0),
    (120.26901245117188, 72.119873046875, 231.72618103027344, 106.299560546875, 'document', 0, 0, 1),
    (72.0250015258789, 106.21942138671875, 101.52294921875, 120.18524169921875, 'Lorem', 1, 0, 0),
    (103.98699951171875, 106.21942138671875, 132.00445556640625, 120.18524169921875, 'ipsum', 1, 0, 1),
    (134.45799255371094, 106.21942138671875, 159.06637573242188, 120.18524169921875, 'dolor', 1, 0, 2),
    (161.40098571777344, 106.21942138671875, 171.95208740234375, 120.18524169921875, 'sit', 1, 0, 3),
    ...
]

page.getTextWords()

方法使用空格和行将页面的文本分成“单词”
中断作为分隔符。因此，此列表中的单词不包含
空格或换行符。

返回类型:list

此列表中的一项如下所示:

(x0, y0, x1, y1, "word", block_no, line_no, word_no)

其中前 4 项是单词 bbox 的浮点坐标.最后三个整数提供了有关单词下落的更多信息。

关于名称 fitz 的说明
PyMuPDF 库的标准 Python 导入语句是 import fitz .这是有历史原因的:
MuPDF 的原始渲染库称为 Libart。
在 Artifex Software 收购 MuPDF 项目后，开发重点转移到编写名为 Fitz 的新现代图形库上。 Fitz 最初打算作为一个研发项目来取代老化的 Ghostscript 图形库，但已成为支持 MuPDF 的渲染引擎。