可以使用 PyMuPDF 在 PDF 中逐块搜索文本吗？

Question

page.getTextBlocks()

输出

[(42.5, 86.45002746582031, 523.260009765625, 100.22002410888672, TEXT, 0, 0),
(65.75, 103.4000244140625, 266.780029296875, 159.59010314941406, TEXT, 1, 0),
(48.5, 86.123456, 438.292048492, 100.92920404974, TEXT, 0, 0)]

(x0, y0, x1, y1, "块中的行", block_type, block_no)

我的主要目标是：

在 PDF 中搜索文本并突出显示它 必须搜索的文本在一页中可以存在 n 次。使用tp.search(text,hit_max=1) 它可以限制最大出现次数，但它不会解决问题，因为它会选择第一次出现的文本，但对我来说可能是第二次或第三次出现很重要。

我的想法是：

getTextBlocks 提取上面提到的文本，使用此信息特别是 block_no，我想为该特定块执行 page.searchForfunction。逻辑上应该是可能的，但实际上我需要帮助。

对于实现主要目标的任何意见，我将不胜感激。

谢谢

Answer 1

作为前言，让我说您的问题将有利于我的存储库的问题页面。

Page.searchFor() 在页面上搜索任意数量的文本项。限制是命中数，您必须在调用中指定一个限制。但是您可以在此处使用任何数字（例如 100）。此方法提取无文本，忽略字符大小写，还支持非水平文本或跨多行的文本。其输出可直接用于创建文本标记注释等。

您当然可以使用Page.getText(option) 的变体来提取文本，然后运用您的技巧在输出中找到您想要的内容。 option 可以是“text”、“words”、“blocks”、“dict”、“rawdict”、“html”、“xhtml”或“xml”。每个输出都有其优点和缺点。许多变体带有文本位置信息或字体信息，包括文本颜色等。 但正如所说：如何找到东西取决于你。让我再次建议我们在 Github repo 问题页面上继续这个对话，在那里我可以更好地指向其他资源。或者随时使用我的私人电子邮件。

如果您的问题是 (1) 定位文本出现，然后 (2) 将每个出现链接到文本块编号，则只需制作块矩形列表并检查每个出现是否包含在块矩形中：

for j, rect in enumerate(page.searchFor(text,...)):
    for i, bbox in enumerate(block_rectangles):
        if rect in bbox:
            print("occurrence %i is contained in block %i" % (j, i))