Python PyMuPDF searchFor 方法不起作用答案

【问题标题】：Python PyMuPDF searchFor method not workingPython PyMuPDF searchFor 方法不起作用
【发布时间】：2018-12-21 09:18:47
【问题描述】：

我在 python 中使用 PyMuPDF 库来搜索 PDF 文档中的特定文本，然后突出显示它。

pdf_document = fitz.open(pdf_path) for i in range(len(page_num)): page=pdf_document[page_num[i]] for item in search_terms: search_instances = page.searchFor(item) for inst in search_instances: page.addHighlightAnnot(inst)

PDF文档图片如下：

我可以突出显示 PDF 文档中的所有术语，但搜索词“毛利润”除外。 searchFor() 返回一个空列表而不是坐标。这与质量差的 PDF 有什么关系吗？如果是这样，它也不应该适用于其他搜索字词。它适用于“营业额”和“销售成本”等字词

有什么想法吗？

【问题讨论】：

标签： python string pdf search text

【解决方案1】：

好像是非文本PDF。

您必须使用 pytesseract 之类的 OCR 将其转换为文本 pdf，然后使用 fitz 突出显示它。

类似的东西应该可以工作：

from pdf2image import convert_from_path, convert_from_bytes 
from fpdf import FPDF

pytesseract.pytesseract.tesseract_cmd = /pathto/Tesseract-OCR/tesseract.exe'

def string_stream(s, separators="\n"):
    start = 0
    for end in range(len(s)):
        if s[end] in separators:
            yield s[start:end]
            start = end + 1
    if start < end:
        yield s[start:end+1]


def multipage_simple(whole_text):
    pdf = FPDF(format='letter') #pdf format
    pdf.add_page() #create new page
    pdf.set_font("Arial", size=12) # font and textsize
    cnt = 1
    stream = string_stream(normalize(whole_text))
    for s in stream:
        pdf.cell(200, 10, txt=s, ln=cnt, align="L")
        cnt += 1
    pdf.output("multipage_simple.pdf", "F")

def get_text_from_pdf_with_ocr(file_name_to_image_pdf):
    res = []
    seq_of_images = convert_from_path(file_name)
    for img in seq_of_images:
        text = re.sub(REMOVAL_SPECIAL_CHARACTER_PATTERN, " ", string=pytesseract.image_to_string(img))
        res += [text]
    return res

然后做：

doc = fitz.open("multipage_simple.pdf")

您可以通过以下方式获取整个文本：

text_ = get_text_from_pdf_with_ocr(pdf_id)
whole_text = reduce(lambda x, y: x + y, text_)

【讨论】：