从 PDF 中提取有关格式（字体大小、类型等）的文本答案

【问题标题】：Extract text from PDF in respect to formatting (font size, type etc)从 PDF 中提取有关格式（字体大小、类型等）的文本
【发布时间】：2013-10-23 13:57:14
【问题描述】：

是否可以从 PDF 文件中提取有关特定字体/字体大小/字体颜色等的文本？我更喜欢 Perl、python 或 *nix 命令行实用程序。我的目标是从 PDF 文件中提取所有标题，这样我就可以在单个 PDF 中获得很好的文章索引。

【问题讨论】：

标签： pdf fonts extract font-size

【解决方案1】：

文本和/字体/字体大小/位置（没有颜色，我检查过）您可以从 Ghostscript 的 txtwrite 设备（尝试 -dTextFormat=0 | 1 选项）以及带有 -tt 选项的 mudraw (MuPDF) 中获取.然后使用例如解析类似 XML 的输出。 Perl。

【讨论】：

感谢您的回复。似乎 mudraw 是一种方式。我不喜欢的一件事是我无法禁用转换图像，我得到一堆以<img width=803 height=1155 src="data:image/png;base64 开头的编码图像这不是错误，它是一个功能，但我不需要图片，并假设只处理文本而不处理图像会更快。另外我想试试ghostscript的建议，你能更具体一点吗？非常感谢。
@WakanTanka，尝试使用 -ttt 参数的 mudraw（和 -x 也值得探索），然后输出中没有图像，但呈现的文本信息略有不同。为了您的目的，Ghostscript 可以这样使用：gs -sDEVICE=txtwrite -dTextFormat=0 -o out.txt in.pdf 或 -dTextFormat=1。输出不是“txt”，而是像带有 -ttt 选项的 mudraw 的 xml-ish。
我已经尝试过 ghostsript（0 和 1），但它给了我错误。 Segmentation fault (core dumped) 也许我在旧版 Fedora 上使用旧版本（发现这是已知错误）。无论如何，输出看起来类似于使用mudraw -ttt or mudraw -x 选项（好像每个字符都是一个元素）。似乎mudraw -tt 是这样。再次感谢。

【解决方案2】：

我有工作代码，可以从 pdf 中提取具有字体大小的文本。在 PDfminer 的帮助下，我完成了这项工作。有很多pdf的

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar,LTLine,LAParams
import os
path=r'path\whereyour pdffile'
os.chdir(path)
Extract_Data=[]
for PDF_file in os.listdir():
    if PDF_file.endswith('.pdf'):
       for page_layout in extract_pages(PDF_file):
            for element in page_layout:
                if isinstance(element, LTTextContainer):
                    for text_line in element:
                        for character in text_line:
                            if isinstance(character, LTChar):
                                Font_size=character.size
                    Extract_Data.append([Font_size,(element.get_text())])

【讨论】：