使用 pymupdf-page.searchFor() 选择完全匹配

Question

下面是我的一段代码，我在其中搜索特定单词并提取它们的坐标。

根据文档page.searchFor(), page.searchFor(needle, hit_max=16, quads=False, flags=None). 在页面上搜索 needle。忽略大写/小写。字符串可能包含空格。

首先，我想要精确匹配的坐标。 其次，如果选择的单词是“inter”，它也会从与我的任务冲突的文档中出现的单词 internalization 中提取“inter”的坐标。

有什么方法可以达到同样的效果吗？

doc = fitz.open(document_name)

words = ["Midpoint", "CORPORATE", "internalization"]

for page in doc:
  page._wrapContents()

  for word in words:
      text_instances = page.searchFor(word)

      for rect_coordinates in text_instances:
             page.addRedactAnnot(rect_coordinates, text_color = (0,0,0), fill = (0,0,0))

      page.apply_redactions()

Answer 1

您可以使用page.getText("words") 获取页面上的文字及其位置。

对我有用的解决方法是使用 page.searchFor() 来获取可能匹配的位置，并基于使用此位置的较大矩形在 getText 中传递剪辑参数。然后，我使用 re 检查了 getText 中的所有单词是否匹配。

但是，您可以使用 page.getText("words") 获取所有单词并迭代所有获得的单词，因为您只需要精确的单词匹配。您也可以传递标志以处理连字符。参考doc link

Answer 2

如果您的搜索词，您可以扩展矩形边界并验证找到的匹配项周围是否有任何相邻文本。

下面的函数(isExactMatch()) 允许您选择启用ExactMatch和CaseSensitive匹配

def isExactMatch(page, term, clip, fullMatch=False, caseSensitive=False):
# clip is an item from page.search_for(term, quads=True)

    termLen = len(term)
    termBboxLen = max(clip.height, clip.width)
    termfontSize = termBboxLen/termLen
    f = termfontSize*2

    clip = clip.rect

    validate = page.get_text("blocks", clip = clip + (-f, -f, f, f), flags=0)[0][4]
    flag = 0
    if not caseSensitive:
        flag = re.IGNORECASE

    matches = len(re.findall(f'{term}', validate, flags=flag)) > 0
    if fullMatch:
        matches = len(re.findall(f'\\b{term}\\b', validate))>0
    return matches

# how to use isExactMatch function

term = "my_searchterm"
coordinates = page.search_for(term)
for inst in coordinates:
    if isExactMatch(page, term, inst, exactMatch=True, matchCase=False):
        print("DoSomething")

请注意，f = termfontSize*2 用于将边界向所有方向扩展 f 个单位。 f的值是bbox中每个term平均长度的2倍

---

更新：2021 年 9 月 22 日：

请注意，此功能无法正常匹配多行文本，因为剪辑区域未覆盖所有行。