问题标签 [pymupdf]

我试图检索矩形中的文本。这个矩形是从 Page.getLinks() 中检索的。当我尝试使用 getTextbox() 和 getText(“text”, clip=rect) 获取矩形中的文本时。两种方法都返回空字符串

使用 PyMuPDF，我需要创建一个 PDF 文件，在其中写入一些文本，然后返回它的字节流。

这是我的代码，但它使用文件系统来创建和保存文件：

有没有一种方法可以创建 PDF 文件，在其中写入一些文本，并在不使用文件系统的情况下返回其字节流？

我正在使用 PyMuPDF 在 . pdf文件使用：

源 .pdf 文档包含文本： 通过应用上述代码，我可以包含文本“amet”的注释，获得以下结果：

结果似乎与预期相符，但您可以看到该库已包含黑色注释（用于“amet”）也删除了后面的行中的单词，但没有使用黑色注释。事实上，它看起来像是一个重新设计的问题。

我怎样才能避免这样的问题？

目前，我已将许多 PDF 合并在一起以创建一个 PDF。我添加了元数据信息，其中包括“创建”和“修改”两个字段，但结果这些字段仍然不显示信息。这是我的源代码：

图片

你能给我一些建议吗？

我正在努力识别银行对账单 PDF 文档中的伪造/篡改。信息元数据和 XMP 元数据并不总是存在于我拥有的 PDF 中，因此我无法创建任何通用规则来识别被篡改的 PDF。我正在使用 Python 库，例如 PyMuPDF、PDFMiner、PyPDF2 等。

我有两个问题：

1. 是否有任何具体的方法来识别 PDF 是否被篡改（使用 Python 或任何其他开源技术）？
2. 如果 PDF 被篡改，那么 PDF 的哪一部分被篡改（使用 Python 或任何其他开源技术）？

附上 2 个 PDF 供参考 -

原文：-“sbi statment_out2.pdf”链接-https://drive.google.com/file/d/1DoWAKYcCudRO-Cwjbgf7RjiJUsF3DD3s/view ? usp=sharing

使用 Sejda 在线编辑器篡改：-“sbi statment_out2_Sejda_edited.pdf 链接 - https://drive.google.com/file/d/1J4eRy9tO3jN8AqEWNrKXtn40G6vdH5G3/view?usp=sharing

在经过调和的 PDF 中，我已将“信用”列下的“2,412.00”编辑为“12.00”。

如果有任何开源解决方案，请让我知道，最好是在 Python 中。

谢谢。

我的目标是将文本文件中的行打印在一起。然而，有些行并没有像他们应该的那样在一起。我解决了分母在后面的第一个问题。对于该else声明，它们似乎都具有相同的值/索引。

终端输出：

我有一份被篡改/伪造的 SBI 银行对账单 PDF。这是PDF的链接。

此 PDF 使用在线编辑器www.ilovepdf.com进行编辑。编辑的部分是该'Credit'列下的第一个条目。原始条目是'2,412.00'，我已将其修改为'12.00'.

是否有任何编程方式使用 Python 或任何其他开源技术来识别 PDF 的编辑/修改位置/区域（即此 PDF 中 12.00 学分左右的 BBOX（边界框））？

我已经知道的两件事：

1. 元数据（信息或 XMP 元数据）没有用处。元数据的修改日期不能确认 PDF 是否被压缩或确实被编辑，在这两种情况下都会更改修改日期。它也没有给出编辑的位置。

2. PyMuPDF SPANS JSON 对象也没有用，因为编辑的条目不在 SPANS JSON 的末尾，而是在 PDF 中的文本的正确顺序中。这是从 PyMuPDF 生成的 SPAN JSON 文件。

请让我知道是否有人有任何开源解决方案来解决这个问题。

我正在通过编辑某些单词并在 pymupdf 的编辑区域顶部添加不同的单词来编辑 pdf。

该代码成功运行，但是它生成了一个非常大的单页 pdf (9MB)。我认为这是因为绘制了许多形状和编辑，但我似乎无法重构。

我从这篇文章中知道我不应该page.apply_redactions()多次申请，但如果我不这样做，文本不会正确显示在编辑方块的顶部，或者它会引发ValueError: fill rect must be finite and not empty.

任何帮助重构较小的输出 pdf 将不胜感激。

为了更准确地提取嵌入在表格单元格中的类似表格的数据，我希望能够识别 PDF 中的表格单元格边界，如下所示：

我曾尝试使用 Camelot、pdfplumber 和 PyMuPDF 提取此类表，并取得了不同程度的成功。但由于我们收到的 PDF 不一致，即使指定表格边界，我也无法可靠地获得准确的结果。

我发现如果我通过明确指定单元格边界来单独提取每个表格单元格，结果会更好。我已经通过手动输入边界进行了测试，这是我使用 Camelot 的可视化调试工具获得的。

我的挑战是如何以编程方式识别表格单元格边界，因为表格可能从页面上的任何位置开始，并且单元格的垂直高度可变。

在我看来，可以通过查找行分隔线的坐标来做到这一点，这对人类来说在视觉上是如此明显。但我还没有弄清楚如何使用 python 工具找到这些行。这是可能的，还是有其他/更好的方法来解决这个问题？

我正在尝试使用 package.json 将目录添加到 pdf 中fitz。

这是我的脚本

这是堆栈跟踪