0

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，如果所选单词是“inter”，它还会从与我的任务冲突的文档中存在的单词 internalization 中提取“inter”的坐标。

有什么办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()
4

2 回答 2

1

您可以使用page.getText("words")获取页面上的单词及其位置。

一个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。参考文档链接

于 2020-12-31T09:28:19.033 回答
0

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

下面的 function( 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它正在用于将边界在所有方向上扩展f 个单位。的值f是 bbox 中每个术语的平均长度的 2 倍

更新：2021 年 9 月 22 日：

请注意，此功能无法正常匹配多行中的文本，因为剪辑区域未覆盖所有行。

于 2021-08-20T14:44:20.823 回答