如何使用 PDFMiner 在 Python 中提取 PDF 中文本的字体颜色？

Question

如何从 PDF 中的文本中提取字体颜色？

我已经尝试使用 PDFMiner 探索 LTText 或 LTChar 对象，但这个模块似乎只允许提取字体大小和样式，而不是颜色。

Answer 1

我查看了PDFMiner（未维护）和PDFMiner.Sixth（fork）的所有源代码。 Python 模块都不允许您提取颜色。在两个模块的问题部分中，提取字体颜色是一个常见问题。

我还查看了PDFPlumber，它使用了 PDFMiner.Sixth。该模块提取字体颜色。提取的颜色元素包括stroking_color，，即字符的轮廓和non_stroking_color，，即字符的填充。我查看了从示例 PDF 中提取的颜色，它们与 RGB 颜色相匹配。

import pdfplumber

pdf_file = pdfplumber.open('path_to_pdf')
for p, char in zip(pdf_file.pages, pdf_file.chars):
    words = p.extract_words(keep_blank_chars=True)
    texts = p.extract_text()
    print(f"Page Number: {p.page_number}")
    print(f"Font Name: {char['fontname']}")
    print(f"Font Size: {char['size']}")
    print(f"Stroking Color: {char['stroking_color']}")
    print(f"Non_stroking Color: {char['non_stroking_color']}")
    print(texts.strip())
    print('\n')

未回答的问题是：

如何在提取字体颜色的同时仍然使用 PDFMiner 代码？

下面的代码允许我同时使用 PDFMiner.Sixth 和 PDFPlumber 来提取各种元素，例如文本、字体名称、字体大小、stroking_color 和 non_stroking_color源 PDF 文件。

import pdfplumber

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar


with open('path_to_pdf', 'rb') as scr_file:
    with pdfplumber.PDF(scr_file) as pdf_file:
        for page_layout, char in zip(extract_pages(scr_file), pdf_file.chars):
            for element in page_layout:
                if isinstance(element, LTTextContainer):
                    for text_line in element:
                        for character in text_line:
                            if isinstance(character, LTChar):
                                print(element.get_text())
                                print(f"Font Name: {character.fontname}")
                                print(f"Font Size: {character.size}")
                                print(f"Stroking Color: {char['stroking_color']}")
                                print(f"Non_stroking Color: {char['non_stroking_color']}")
                                print('\n\n')

2021 年 3 月 9 日更新

我仍在努力将这些功能啮合和同步在一起。我检查了它们，它们似乎输出了正确的元素。

import pdfplumber
from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar, LAParams


def extract_character_characteristics(pdf_file):
    number_of_pages = len(list(extract_pages(pdf_file)))
    for page_layout in extract_pages(pdf_file, laparams=LAParams()):
        print(f'Processing Page: {number_of_pages}')
        number_of_pages -= 1
        for element in page_layout:
            if isinstance(element, LTTextContainer):
                for text_line in element:
                    for character in text_line:
                        if isinstance(character, LTChar):
                            if character.get_text() != ' ':
                                print(f"Character: {character.get_text()}")
                                print(f"Font Name: {character.fontname}")
                                print(f"Font Size: {character.size}")
                                print('\n')


def extract_character_colors(pdf_file):
    with pdfplumber.PDF(pdf_file) as file:
        for char in file.chars:
            if char['text'] != ' ':
                print(f"Page Number: {char['page_number']}")
                print(f"Character: {char['text']}")
                print(f"Font Name: {char['fontname']}")
                print(f"Font Size: {char['size']}")
                print(f"Stroking Color: {char['stroking_color']}")
                print(f"Non_stroking Color: {char['non_stroking_color']}")
                print('\n')


with open('test.pdf', 'rb') as scr_file:
    extract_character_characteristics(scr_file)

Answer 2

（免责声明：我是 pText 的作者，本示例中使用的库。）

pText 允许您注册一个EventListener，只要处理了 PDF 渲染指令（例如渲染文本），就会收到通知。

收到此指令后，您可以检查图形状态以确定当前的描边/填充颜色是什么。文本应使用描边颜色呈现。

让我们看看它是如何工作的：

with open("input.pdf", "rb") as pdf_file_handle:
    l = ColorSpectrumExtraction()
    doc = PDF.loads(pdf_file_handle, [l])

上面的代码打开一个PDF文档进行（二进制）阅读，并调用PDF.loads方法。我们传递的额外参数是 EventListener 实现的数组（在本例中为 1 个元素）。

让我们看看ColorSpectrumExtraction：

class ColorSpectrumExtraction(EventListener):

    def event_occurred(self, event: Event) -> None:
        if isinstance(event, ChunkOfTextRenderEvent):
            self._render_text(event)

    def _render_text(self, event: ChunkOfTextRenderEvent):
        assert event is not None
        c = event.font_color.to_rgb()
        // do something with the font-color

如你所见，这个类有一个方法event_occurred，它会在渲染内容时被调用。在我们的例子中，我们只对ChunkOfTextRenderEvent感兴趣。

所以我们验证（使用isinstanceof），然后将调用委托给另一个方法。

在_render_text 方法中，我们可以从刚刚渲染的文本中获取我们想要的所有信息。比如font_color、font_size等

您可以在GitHub 或使用PyPi 获取pText 还有很多 examples，请查看它们以了解有关使用图像的更多信息。