0

我正在寻找一种使用 PyMUPDF 使用文档索引系统提取文本的方法。许多文档都有一个索引系统，我希望能够从文档中提取和保存每个项目（索引号下的文本）。示例文件：-

在此处输入图像描述

显然，我可以像这样抓取文本：

doc = fitz.open(filename)
text = ''
for page in doc:
    text += page.getText()

我试过get_toc()但无法让它工作，可能是因为某些文档没有目录。

我正在考虑使用正则表达式来查找这样的数字

import re
x = re.search("\d\d?\.\d", text)

我在想我可以得到索引号的坐标并保存它们之间的坐标。这将是最好的方法，还是有更好的更原生的方法来使用 PyMUPDF？非常感谢

编辑 - 似乎可以使用Page.get_text('words')或Page.get_textbox(react)如这里讨论的那样拉出一个文本矩形https://github.com/pymupdf/PyMuPDF-Utilities/tree/master/textbox-extraction。但是这些示例都使用 PDF 注释来构建 rect 对象。我想要做的是找到索引号的位置，例如 30.1 并使用该位置和以下索引号的位置来构建 rect 对象。

edit2 - 所以我发现Page.search_for()返回一个具有坐标的矩形对象。所以也许我可以将索引号（例如 30.1）传递给它并取回坐标。

4

0 回答 0