如何从 PDF 中提取文本片段及其在 Python 中的坐标？

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，但是锚点+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。

我尝试过的

pdftotext

pdftotext PDF-export-example.pdf -layout

给出this output。它已包含文本，但坐标不在其中。

PyPDF2

PyPDF2 更糟糕 - 既不是坐标，也不是字体大小，在这种情况下，甚至 ASCII 艺术线索都没​​有：

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.six

另一种提取文本的方法，但没有坐标/字体大小。 感谢Duck puncher 的这个：

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"))

这个方向更正确，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-py

这里我什么都没有：

from tabula import read_pdf

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

Answer 1

我使用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” 分隔符作为分隔符。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。

---

关于名字 fitz 的注释
PyMuPDF 库的标准 Python 导入语句是 import fitz。这是有历史原因的：

MuPDF 的原始渲染库名为 Libart。

Artifex Software 收购 MuPDF 项目后，开发重点转移到编写一个名为 Fitz 的新现代图形库。 Fitz 最初的目的是作为一个研发项目来取代老化的 Ghostscript 图形库，但现在却成为了支持 MuPDF 的渲染引擎。

Answer 2

您可以使用-bbox option 解析poppler 的pdftotext 的输出：

import subprocess
from lxml import etree

file = 'PDF-export-example.pdf'
xml = etree.fromstring(subprocess.check_output(['pdftotext', '-bbox', file , '-']))
for pn, page in enumerate(xml.findall('.//{http://www.w3.org/1999/xhtml}page')):
    for word in page.findall('{http://www.w3.org/1999/xhtml}word'):
        print(pn, word.get('xMin'), word.get('yMin'),
            word.get('xMax'), word.get('yMax'), word.text)

输出：

0 72.025000 72.124000 114.977000 105.780000 Test
0 120.269000 72.124000 231.737000 105.780000 document
0 72.025000 106.220500 101.519500 119.755000 Lorem
0 103.987000 106.220500 132.001000 119.755000 ipsum
0 134.458000 106.220500 159.070000 119.755000 dolor
...