Python：在PDF中搜索文本
我想写一个这样的函数：
输入：一个PDF文件，一个字符串（这个PDF是可以搜索的，比如说是用MS Word创建的）
输出：这个字符串在PDF文件中的页码和位置（坐标：x和y），如果有的话。
你能给我一些建议吗（比如用什么库，怎么做等等）？
非常感谢！
1 个回答
0
你可能需要查看一下PDF规范中的第7.7节文档结构和第9节文本，这样可以让你对PDF中文本是如何存储的有个大概念。
方法：
我们需要遍历每一页，这些页面通过一个叫做页面树的结构连接在一起，里面包含了页面对象，我们要在这里查找它的内容字段。这个字段的内容基本上是用Postscript语言描述的页面元素。
举个例子：
文本“ABC”被放置在页面底部10英寸的位置，距离左边缘4英寸，使用的是12号Helvetica字体。
BT
/F13 12 Tf
288 720 Td
(ABC) Tj
ET
里面的字符串可以表示为：
字面字符串 (7.3.4.2) - 这个比较简单，你只需要按照"(.*?)"的格式来读取数据。
十六进制字符串 (7.3.4.3) - 这个就有点复杂了，因为我们需要先解码数据，才能和我们要查找的字符串进行比较。
在我们找到匹配的字符串后，最后要做的就是确定它的位置。这基本上需要解析Postscript语言。
我提到的这些内容大部分已经在很多产品中实现了，比如itext和GhostScript等，你可以把它们当作参考实现来阅读。
我个人没有使用过基于Python的PDF库，你需要自己去研究一下这个。