如何从PDF文件中提取文字和文字坐标？

Question

我想使用 PDFMiner 从 PDF 文件中提取所有文本框和文本框坐标。

许多其他 Stack Overflow 帖子解决了如何以有序方式提取所有文本的问题，但我如何才能完成获取文本和文本位置的中间步骤？

给定一个 PDF 文件，输出应该类似于：

 489, 41,  "Signature"
500, 52,  "b"
630, 202, "a_g_i_r"

原文由 pnj 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

完全披露，我是 pdfminer.six 的维护者之一。它是 python 3 的 pdfminer 的社区维护版本。

如今，pdfminer.six 有多个 API 可以从 PDF 中提取文本和信息。对于以编程方式提取信息，我建议使用 extract_pages() 。这允许您检查页面上的所有元素，这些元素按布局算法创建的有意义的层次结构排序。

以下示例是一种显示层次结构中所有元素的 pythonic 方式。它使用 pdfminer.six 示例目录中的 simple1.pdf。

 from pathlib import Path
from typing import Iterable, Any

from pdfminer.high_level import extract_pages

def show_ltitem_hierarchy(o: Any, depth=0):
    """Show location and text of LTItem and all its descendants"""
    if depth == 0:
        print('element                        x1  y1  x2  y2   text')
        print('------------------------------ --- --- --- ---- -----')

    print(
        f'{get_indented_name(o, depth):<30.30s} '
        f'{get_optional_bbox(o)} '
        f'{get_optional_text(o)}'
    )

    if isinstance(o, Iterable):
        for i in o:
            show_ltitem_hierarchy(i, depth=depth + 1)

def get_indented_name(o: Any, depth: int) -> str:
    """Indented name of LTItem"""
    return '  ' * depth + o.__class__.__name__

def get_optional_bbox(o: Any) -> str:
    """Bounding box of LTItem if available, otherwise empty string"""
    if hasattr(o, 'bbox'):
        return ''.join(f'{i:<4.0f}' for i in o.bbox)
    return ''

def get_optional_text(o: Any) -> str:
    """Text of LTItem if available, otherwise empty string"""
    if hasattr(o, 'get_text'):
        return o.get_text().strip()
    return ''

path = Path('~/Downloads/simple1.pdf').expanduser()

pages = extract_pages(path)
show_ltitem_hierarchy(pages)

输出显示层次结构中的不同元素。每个的边界框。以及该元素包含的文本。

 element                        x1  y1  x2  y2   text
------------------------------ --- --- --- ---- -----
generator
  LTPage                       0   0   612 792
    LTTextBoxHorizontal        100 695 161 719  Hello
      LTTextLineHorizontal     100 695 161 719  Hello
        LTChar                 100 695 117 719  H
        LTChar                 117 695 131 719  e
        LTChar                 131 695 136 719  l
        LTChar                 136 695 141 719  l
        LTChar                 141 695 155 719  o
        LTChar                 155 695 161 719
        LTAnno
    LTTextBoxHorizontal        261 695 324 719  World
      LTTextLineHorizontal     261 695 324 719  World
        LTChar                 261 695 284 719  W
        LTChar                 284 695 297 719  o
        LTChar                 297 695 305 719  r
        LTChar                 305 695 311 719  l
        LTChar                 311 695 324 719  d
        LTAnno
    LTTextBoxHorizontal        100 595 161 619  Hello
      LTTextLineHorizontal     100 595 161 619  Hello
        LTChar                 100 595 117 619  H
        LTChar                 117 595 131 619  e
        LTChar                 131 595 136 619  l
        LTChar                 136 595 141 619  l
        LTChar                 141 595 155 619  o
        LTChar                 155 595 161 619
        LTAnno
    LTTextBoxHorizontal        261 595 324 619  World
      LTTextLineHorizontal     261 595 324 619  World
        LTChar                 261 595 284 619  W
        LTChar                 284 595 297 619  o
        LTChar                 297 595 305 619  r
        LTChar                 305 595 311 619  l
        LTChar                 311 595 324 619  d
        LTAnno
    LTTextBoxHorizontal        100 495 211 519  H e l l o
      LTTextLineHorizontal     100 495 211 519  H e l l o
        LTChar                 100 495 117 519  H
        LTAnno
        LTChar                 127 495 141 519  e
        LTAnno
        LTChar                 151 495 156 519  l
        LTAnno
        LTChar                 166 495 171 519  l
        LTAnno
        LTChar                 181 495 195 519  o
        LTAnno
        LTChar                 205 495 211 519
        LTAnno
    LTTextBoxHorizontal        321 495 424 519  W o r l d
      LTTextLineHorizontal     321 495 424 519  W o r l d
        LTChar                 321 495 344 519  W
        LTAnno
        LTChar                 354 495 367 519  o
        LTAnno
        LTChar                 377 495 385 519  r
        LTAnno
        LTChar                 395 495 401 519  l
        LTAnno
        LTChar                 411 495 424 519  d
        LTAnno
    LTTextBoxHorizontal        100 395 211 419  H e l l o
      LTTextLineHorizontal     100 395 211 419  H e l l o
        LTChar                 100 395 117 419  H
        LTAnno
        LTChar                 127 395 141 419  e
        LTAnno
        LTChar                 151 395 156 419  l
        LTAnno
        LTChar                 166 395 171 419  l
        LTAnno
        LTChar                 181 395 195 419  o
        LTAnno
        LTChar                 205 395 211 419
        LTAnno
    LTTextBoxHorizontal        321 395 424 419  W o r l d
      LTTextLineHorizontal     321 395 424 419  W o r l d
        LTChar                 321 395 344 419  W
        LTAnno
        LTChar                 354 395 367 419  o
        LTAnno
        LTChar                 377 395 385 419  r
        LTAnno
        LTChar                 395 395 401 419  l
        LTAnno
        LTChar                 410 395 424 419  d
        LTAnno

（ 此处、 此处 和 此处 的类似答案，我会尽量使它们保持同步。）

原文由 Pieter 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

这是一个复制粘贴就绪的示例，它列出了 PDF 中每个文本块的左上角，我认为它应该适用于任何不包含其中包含文本的“Form XObjects”的 PDF：

 from pdfminer.layout import LAParams, LTTextBox
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator

fp = open('yourpdf.pdf', 'rb')
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
pages = PDFPage.get_pages(fp)

for page in pages:
    print('Processing next page...')
    interpreter.process_page(page)
    layout = device.get_result()
    for lobj in layout:
        if isinstance(lobj, LTTextBox):
            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text()
            print('At %r is text: %s' % ((x, y), text))

上面的代码基于 PDFMiner 文档中的 执行布局分析 示例，以及 pnj ( https://stackoverflow.com/a/22898159/1709587 ) 和 Matt Swain ( https://stackoverflow.com/a/ ) 的示例 ^25262470⁄_1709587 ）。我对前面的示例做了一些更改：

• 我使用 PDFPage.get_pages() ，这是创建文档的简写，检查它 is_extractable ，并将它传递给 PDFPage.create_pages()
• 我懒得处理 LTFigure s，因为 PDFMiner 目前无论如何都无法干净地处理其中的文本。

LAParams 允许您设置一些参数来控制 PDF 中的单个字符如何被 PDFMiner 神奇地分组为行和文本框。如果您对这种分组是一件需要发生的事情感到惊讶，那么在 pdf2txt 文档 中它是合理的：

在实际的 PDF 文件中，文本部分可能会在运行过程中分成几个块，具体取决于创作软件。因此，文本提取需要拼接文本块。

LAParams 的参数与大多数 PDFMiner 一样，未记录，但您可以 在源代码中 或通过调用 help(LAParams) 在您的 Python shell 中查看它们。 一些 参数的含义在 https://pdfminer-docs.readthedocs.io/pdfminer_index.html#pdf2txt-py 中给出，因为它们也可以作为参数传递给 pdf2text 在命令行中。

上面的 layout 对象是一个 LTPage ，它是一个可迭代的“布局对象”。这些布局对象中的每一个都可以是以下类型之一……

• LTTextBox
• LTFigure
• LTImage
• LTLine
• LTRect

…或其子类。 （特别是，您的文本框可能都是 LTTextBoxHorizontal s。）

文档中的这张图片显示了 LTPage 结构的更多细节：

上述每种类型都有一个 .bbox 属性，其中包含一个 ( x0 , y0 , x1 , y1 ) 元组，分别包含对象的左、下、右和上坐标。 y 坐标表示距页面 底部 的距离。如果使用从上到下的 y 轴更方便，您可以从页面的高度中减去它们 .mediabox ：

 x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

除了 bbox ， LTTextBox es 还有一个 .get_text() 方法，如上所示，将文本内容作为字符串返回。 Note that each LTTextBox is a collection of LTChar s (characters explicitly drawn by the PDF, with a bbox ) and LTAnno s ( PDFMiner 根据相距很远的字符添加到文本框内容的字符串表示中的额外空格；这些没有 bbox ）。

本答案开头的代码示例结合了这两个属性来显示每个文本块的坐标。

最后，值得注意的是， 与 上面引用的其他 Stack Overflow 答案不同，我不会费心递归到 LTFigure s。尽管 LTFigure s 可以包含文本，但 PDFMiner 似乎无法将该文本分组为 LTTextBox es（您可以自己尝试来自 https://stackoverflow.com/ 的示例 PDF a/27104504/1709587 ) 而是生成一个 LTFigure 直接包含 LTChar 对象。原则上，您可以弄清楚如何将它们拼凑成一个字符串，但 PDFMiner（从 20181108 版开始）无法为您完成。

不过，希望您需要解析的 PDF 不使用其中包含文本的 Form XObjects，因此此警告不适用于您。

原文由 Mark Amery 发布，翻译遵循 CC BY-SA 4.0 许可协议