python - python - 忽略页眉和页脚读取pdf

Question

我有一个使用 pymupdf 使用以下语法阅读的 pdf 文件。

import fitz  # this is pymupdf

with fitz.open('file.pdf') as doc:

    text = ""
    for page in doc:
        text += page.getText()

有没有办法在阅读时忽略页眉和页脚？

我尝试将 pdf 转换为 docx，因为它更容易删除标题，但是当我将其转换为 docx 时，我正在处理的 pdf 文件正在重新格式化。

pymupdf 在阅读过程中有什么办法吗？

Answer 1

该文档有一个专门针对此问题的页面。

1. 定义省略标题的矩形
2. 使用 page.get_textbox(rect) 方法。

来源：https ://github.com/pymupdf/PyMuPDF-Utilities/tree/master/textbox-extraction#2-pageget_textboxrect

适用于大多数 pdf 库的通用解决方案是

1. 检查 pdf 文件中页眉/页脚部分的大小
2. 循环文档中的每个文本并检查它的垂直位置