如何使用 python（pdfminer、minecart、tabula ...）检测 PDF 文件中的彩色块答案

【问题标题】：How to detect colored blocks in a PDF file with python (pdfminer, minecart, tabula...)如何使用 python（pdfminer、minecart、tabula ...）检测 PDF 文件中的彩色块
【发布时间】：2023-01-12 05:22:23
【问题描述】：

我正在尝试从 PDF 文件中提取相当多的表格。这些表格用不同的颜色方便地“突出显示”，这使得眼睛很容易捕捉（参见示例屏幕截图）。

我认为检测那些彩色块的位置/坐标并使用坐标提取表格会很好。

我已经弄清楚了表格提取部分（使用 tabula-py）。所以这是阻止我的第一步。据我所知，minecart 是处理 PDF 文件中颜色和形状的最佳工具，但使用 OpenCV 进行全尺寸图像处理除外。但是我没有运气检测彩色框/块坐标。

将不胜感激任何帮助！

【问题讨论】：

标签： python pdf shapes pdfminer

【解决方案1】：

我想我有一个解决方案：

import minecart

pdffile = open(fn, 'rb')
doc = minecart.Document(pdffile)
page = doc.get_page(page_num) # page_num is 0-based

for shape in page.shapes.iter_in_bbox((0, 0, 612, 792 )):
    if shape.fill: 
        shape_bbox = shape.get_bbox()
        shape_color = shape.fill.color.as_rgb()
        print(shape_bbox, shape_color)

然后我需要过滤颜色或形状大小......

我之前的失败是因为使用了错误的页码 :(

【讨论】：

【解决方案2】：

PyMuPDF 允许您提取所谓的“艺术线条”：页面上的矢量图。这是一个“路径”词典列表（如 PDF 调用互连绘图），您可以从中为您选择感兴趣的子项。例如。以下标识代表填充矩形的图形，不要太小：

page = doc[0]  # load some page (here page 0)
paths = page.get_drawings()  # extract all vector graphics
filled_rects = [] # filled rectangles without border land here
for path in paths:
    if path["type"] != "f"  # only consider paths with a fill color
        continue
    rect = path["rect"]
    if rect.width < 20 or rect.height < 20:  # only consider sizable rects
        continue
    filled_rects.append(rect)  # hopefully an area coloring a table
# make a visible border around the hits to see success:
for rect in filled_rects:
    page.draw_rect(rect, color=fitz.pdfcolor["red"])
doc.save("debug.pdf")

【讨论】：