2

我正在尝试使用 Python 从 PDF 中提取评论。这是我测试过的两段代码：

一个使用PyPDF2：

import PyPDF2

src = 'xxxx.pdf'
input1 = PyPDF2.PdfFileReader(open(src, "rb"))
nPages = input1.getNumPages()

df_comments = pd.DataFrame()
for i in range(nPages) :
    annotation = []
    page = []
    page0 = input1.getPage(i)
    try :
        for annot in page0['/Annots'] :
            annotation.append(annot.getObject())
        page = [i+1] * len(annotation)
        page = pd.DataFrame(page)
        annotation = pd.DataFrame(annotation)
        df_temp = pd.concat([page, annotation], axis=1)
        df_comments = pd.concat([df_comments, df_temp], ignore_index=True)
    except : 
        # there are no annotations on this page
        pass

另一个使用fitz：

import fitz
doc = fitz.open(src)
for i in range(doc.pageCount):
    page = doc[i]
    for annot in page.annots():
        print(annot.info)

评论正在被提取，但是当我检查 PDF 时，我发现评论没有按顺序提取。我试图检查其他参数，如创建日期、修改日期，但这对我没有帮助。

当它们出现在 PDF 中时，它们是我可以连续提取它们的一种方式吗？或者我是否也可以从已标记评论的 PDF 中提取文本？

4

0 回答 0