如何使用PDFMiner获取PDF中文本的位置？

Question

PDFMiner的文档显示：

PDFMiner allows one to obtain the exact location of text in a page

但是，我还没有找到如何做到这一点。PDFMiner的“文档”非常稀少，所以我不知道如何做到这一点。

Answer 1

您正在每个布局对象上查找bbox属性。PDFMiner文档中有一些关于how to parse the layout hierarchy的信息，但它并没有涵盖所有内容。

下面是一个例子：

from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox, LTTextLine, LTFigure


def parse_layout(layout):
    """Function to recursively parse the layout tree."""
    for lt_obj in layout:
        print(lt_obj.__class__.__name__)
        print(lt_obj.bbox)
        if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
            print(lt_obj.get_text())
        elif isinstance(lt_obj, LTFigure):
            parse_layout(lt_obj)  # Recursive


fp = open('example.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)

rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
    interpreter.process_page(page)
    layout = device.get_result()
    parse_layout(layout)

如果您对单个LTChar对象的位置感兴趣，您可以递归地解析成LTTextBox和LTTextLine的子布局对象，就像在上面的示例中对LTFigure所做的那样。