如何从pdf文件中获取有关字符间距和字间距的信息？答案

【问题标题】：How to get information about character spacing and word spacing from pdf file?如何从pdf文件中获取有关字符间距和字间距的信息？
【发布时间】：2023-02-01 18:00:28
【问题描述】：

使用 Pymupdf 遇到获取 pdf 文件中文本信息的问题我在图书馆的 discord 频道询问了有关获取间隔信息的可能性，但他们告诉我图书馆不知道如何与他们合作也许还有其他图书馆可以做到这一点？

我试图查看其他库，但没有找到。也许我错过了什么....

【问题讨论】：

请提供足够的代码，以便其他人可以更好地理解或重现问题。
经过字符间距和字间距您是指该名称的 PDF 文本状态参数的值，还是指字符和单词之间的实际距离？
@mkl 对不起，我的意思是那些参数：行间距、段落间距、字符间距
根据 PyMuPDF：在任何人产生错误印象之前：你能够提取具有所有所需元数据详细信息的文本：文本位置（bbox）、字体属性、书写方向等。所有这些都归结为每一个角色.所有这些都适用于 PDF、XPS、EPUB以及一些更多的文档类型。所以不会返回特定于 PDF 的构造，例如单词和字符间距。
@user377394 -行间距在 PyMuPDF 中可用，因为它是一个字体属性，可以在 PyMuPDF 中提取。线间距离也可以很容易地从线边界框计算出来。段落间距甚至不是 PDF 概念。但是段落边界框在 PyMuPDF 中可用。

标签： python python-3.x pdf character-spacing

【解决方案1】：

免责声明：我是 borb 的作者，这个答案中使用的库

通常，您要查找的信息隐藏在抽象层之后。 PDF 库通常允许您提取文本（并且它使用有关单词和字符间距的信息来执行此操作），但它不会向外界提供此信息。

您可以使用borb 来访问此（低级别）信息。这里的关键概念是EventListener。这是一个界面。每当渲染事件完成时，实现此接口的类都会收到通知。

渲染事件可能包括：

正在呈现的文本
正在渲染的图像
切换到新页面等等

有一个提取文本的类。所以我建议你查看它的代码。查看line 62，我们看到任何“呈现一段文本”的事件都被重定向到它自己的单独方法。

_render_text 方法存储 TextRenderInfo 对象，直到页面完成呈现（此时它将使用 TextRenderInfo 对象来确定页面上的文本）。

您可以在line 87 上看到“页面结束”逻辑的运行情况。

在这里你可以看到TextRenderInfo 拥有各种与位置相关的属性。您可以使用get_baseline 访问它。

【讨论】：

【解决方案2】：

我通过 pdfminer.six 和 pymupdf 通过获取行和字符位置解决了我的问题谢谢你们所有人

【讨论】：