如何通过xpdf或mupdf获取指定文本位置？

Question

我希望能够从pdf文件中提取特定的文本以及其位置。

我知道xpdf和mupdf可以解析pdf文件，所以我认为它们可以帮助我完成这个任务。

但是如何使用这两个库来获取文本位置呢？

- PDF1001

---

文本位置是什么意思？ - Dan D.

@DanD.文本位置指页面中的第一个字符位置。 - PDF1001

Answer 1

如果您不介意使用MuPDF的Python绑定，这里有一个使用PyMuPDF的Python解决方案（我是其开发人员之一）：

import fitz                     # the PyMuPDF module
doc = fitz.open("input.pdf")    # PDF input file
page = doc[n]                   # page number n (0-based)
wordlist = page.getTextWords()  # gives you a list of all words on the
# page, together with their position info (a rectangle containing the word)

# or, if you only are interested in blocks of lines belonging together:
blocklist = page.getTextBlocks()

# If you need yet more details, use a JSON-based output, which also gives
# images and their positions, as well as font information for the text.
tdict = json.loads(page.getText("json"))

如果您感兴趣，我们在GitHub上有相关内容。

- Jorj McKie

---

如果您不需要所有单词，使用提供位置的“search”方法是否比使用“extractWORDS（）”更快？ - edvard_munch

@edvard_munch - 其实不是这样的，因为两种方法都会创建相同的中间对象“TextPage”，然后使用该对象的属性执行它们各自的特定任务。TextPage将完成提取（所需的文本和图像）的所有工作。 - Jorj McKie

根据我的原始答案，请注意，现在有一个新选项可用于“page.getText（“dict”）”，它直接生成一个Python字典，而不是使用中间JSON。因此，相应的语句只需为“tdict = page.getText（“dict”）”，无需JSON，并且速度快几倍... - Jorj McKie

Answer 2

Mupdf带有几个工具，其中之一是pdfdraw。

如果您使用-tt选项的pdfdraw，它将生成一个包含所有字符及其精确定位信息的XML。
从那里，您应该能够找到所需的内容。

- Robert

---

在更新的版本中，它被称为mudraw.c，其轨迹指向structured-text.h和stext-output.c，非常有帮助，谢谢。 - Andrew