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的方式提取所有文本，但是我如何执行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"
问问题
62364 次
3 回答
50
这是一个可复制粘贴的示例，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）。我从前面的示例中做了一些更改：
- 我使用
PDFPage.get_pages()，这是创建文档、检查文档is_extractable并将其传递给PDFPage.create_pages() - 我不费心处理
LTFigures，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。如果您对这样的分组是一件完全需要发生的事情感到惊讶，那么在pdf2txt 文档中是合理的：
在实际的 PDF 文件中，文本部分可能会在其运行过程中被分成几个块，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，未记录在案，但您可以在源代码中或通过调用help(LAParams)Python shell 来查看它们。一些参数的含义在https://pdfminer-docs.readthedocs.io/pdfminer_index.html#pdf2txt-py给出，因为它们也可以作为参数传递给pdf2text命令行。
上面的layout对象是一个LTPage，它是“布局对象”的可迭代对象。这些布局对象中的每一个都可以是以下类型之一...
LTTextBoxLTFigureLTImageLTLineLTRect
...或其子类。（特别是，您的文本框可能都是LTTextBoxHorizontals。）
LTPage文档中的这张图片显示了an 结构的更多细节：
上面的每种类型都有一个.bbox属性，该属性包含一个 ( x0 , y0 , x1 , y1 ) 元组，分别包含对象的左、下、右和顶部的坐标。y 坐标表示为与页面底部的距离。如果您更方便地使用从上到下的 y 轴，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 a bbox，LTTextBoxes 还有一个.get_text()方法，如上所示，将它们的文本内容作为字符串返回。请注意，每个LTTextBox都是LTChars （由 PDF 显式绘制的字符，带有 a bbox）和LTAnnos （PDFMiner 基于被绘制得很远的字符添加到文本框内容的字符串表示形式的额外空格；这些没有bbox）。
这个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，我不费心递归到LTFigures. 虽然LTFigures 可以包含文本，但 PDFMiner 似乎无法将该文本分组到es 中（您可以在https://stackoverflow.com/a/27104504/1709587LTTextBox的示例 PDF 上尝试自己）而是生成一个直接包含对象的. 原则上，您可以弄清楚如何将这些拼凑成一个字符串，但 PDFMiner（截至 20181108 版）无法为您完成。LTFigureLTChar
但是，希望您需要解析的 PDF 不使用其中包含文本的 Form XObject，因此此警告不适用于您。
于 2018-11-18T11:35:27.740 回答
49
换行符在最终输出中转换为下划线。这是我找到的最小工作解决方案。
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfpage import PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator
import pdfminer
# Open a PDF file.
fp = open('/Users/me/Downloads/test.pdf', 'rb')
# Create a PDF parser object associated with the file object.
parser = PDFParser(fp)
# Create a PDF document object that stores the document structure.
# Password for initialization as 2nd parameter
document = PDFDocument(parser)
# Check if the document allows text extraction. If not, abort.
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
# Create a PDF resource manager object that stores shared resources.
rsrcmgr = PDFResourceManager()
# Create a PDF device object.
device = PDFDevice(rsrcmgr)
# BEGIN LAYOUT ANALYSIS
# Set parameters for analysis.
laparams = LAParams()
# Create a PDF page aggregator object.
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
# Create a PDF interpreter object.
interpreter = PDFPageInterpreter(rsrcmgr, device)
def parse_obj(lt_objs):
# loop over the object list
for obj in lt_objs:
# if it's a textbox, print text and location
if isinstance(obj, pdfminer.layout.LTTextBoxHorizontal):
print "%6d, %6d, %s" % (obj.bbox[0], obj.bbox[1], obj.get_text().replace('\n', '_'))
# if it's a container, recurse
elif isinstance(obj, pdfminer.layout.LTFigure):
parse_obj(obj._objs)
# loop over all pages in the document
for page in PDFPage.create_pages(document):
# read the page into a layout object
interpreter.process_page(page)
layout = device.get_result()
# extract text from this object
parse_obj(layout._objs)
于 2014-04-06T18:32:12.247 回答
7
完全披露，我是pdfminer.six的维护者之一。它是用于 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。
以下示例是显示层次结构中所有元素的 Pythonic 方式。它使用pdfminer.six的示例目录中的 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
于 2021-09-12T11:54:43.670 回答