获取PDF中的布局信息——如何获取段落

PDF解析是极其复杂的问题。不可能靠一个工具解决全部问题，尤其是五花八门，格式不统一的PDF文件。除非有钞能力。如果没有那就看看可以分为哪些问题。

提取文本内容，提取表格内容，提取图片。我认为这些应该是分开做的事情。python有一些组件，是有专长的。

问题分解以后，最重要的一个事情是，版面分析。怎么确定边界，就是哪一块是什么内容？是正文，还是表格，还是图片？

文本、图片及形状涵盖了常见的PDF元素，本文介绍利用PyMuPDF提取这些页面元素，及其基本数据结构。本文会提供可运行的代码！

一、技术选型 `PyMuPDF`

PyMuPDF的Textpage对象提供的extractDICT()和extractRAWDICT()用以获取页面中的所有文本和图片（内容、位置、属性），基本数据结构如下：

看到这里，有分类，有位置信息。

二、代码演示

2.1 安装

pip install PyMuPDF

2.2 demo代码

python 复制代码

import fitz  # PyMuPDF

def extract_text_blocks(pdf_path):
    # 打开 PDF 文件
    pdf_document = fitz.open(pdf_path)
    
    # 存储文本块和行块信息
    text_blocks = []
    line_blocks = []
    
    # 遍历 PDF 中的每一页
    for page_number in range(len(pdf_document)):
        page = pdf_document.load_page(page_number)
        
        # 获取文本块和行块信息
        blocks = page.get_text("dict")["blocks"]
        for b in blocks:
            for l in b["lines"]:
                line_blocks.append({
                    "line": l["spans"],
                    "bbox": l["bbox"],
                    "height": l["bbox"][3] - l["bbox"][1]  # 计算行块的高度
                })
            text_blocks.append({
                "block": b["lines"],
                "bbox": b["bbox"]
            })
    
    # 关闭 PDF 文件
    pdf_document.close()
    
    return text_blocks, line_blocks

# 示例用法
pdf_path = "D:\\angus\\py\\困难pdf节选西藏奇正2022.pdf"
text_blocks, line_blocks = extract_text_blocks(pdf_path)

# 打印提取的文本块信息
for index, block in enumerate(text_blocks):
    print(f"Text Block {index + 1}:")
    for line_index, line in enumerate(block["block"]):
        print(f"  Line {line_index + 1}: '{line['spans']}' at position {block['bbox']}")

# 打印提取的行块信息
for index, line in enumerate(line_blocks):
    print(f"Line {index + 1}: '{line['line']}' at position {line['bbox']}, height={line['height']}")

三、效果展示

3.1 原文PDF内容

3.2 解析后得到的结果

3.3 分析原文和结果

对比输出的结果和原文。我们可以发现，我们拿到了行的数据，也拿到了段落的数据。上述的代码中已经给我们分好了块！这样解可以区分段落了。

3.4 获取更多信息，包括位置

来看一个文本块：

size: 文本的大小。
flags: 文本的标志。
font: 字体名称。
color: 字体颜色。
ascender: 文本的上升高度。
descender: 文本的下降高度。
text: 文本内容。
origin: 文本的起始位置坐标。
bbox: 文本的边界框坐标，即左下角和右上角的坐标。

通过这些信息，我们可以获取到每个文本块的具体内容、大小、位置和格式等信息。这些信息对于分析和处理 PDF 文件中的文本内容非常有用。例如，你可以根据文本的大小、位置和格式来识别标题、正文和其他内容，并进行相应的处理和分析。当然，就以这个文档为例，我们可以看到的是，因为文档本身字体大小都一样，所以很难根据字体和大小获取到标题。

四、错误问题

但是也发现了问题

4.1 段落有被分开了

原文

错误的问题如下

4.2 将表格错当成了文本内容

原文表格内容如下

解析得到的内容如下

表格的一行为一个块内容，

这里调试了一版，可以去掉表格。

逻辑是：判断相邻的block，表格的特征是，当个block内的 lines的 bbox的第四位是相同的。且相邻的block的lines一定是相同的，且lines不为空。逻辑本身没有问题，就怕PDF有问题，识别出来的表格的同一行的bbox中的第四位不一样，这样会错误判断！