从 PDF 文件中突出显示的注释中提取文本

Question

从昨天开始，我一直在尝试使用 python-poppler-qt4 从一个 pdf 中的一些突出显示的注释中提取文本。

根据this documentation，看起来我必须使用 Page.text() 方法获取文本，从突出显示的注释中传递一个 Rectangle 参数，我使用 Annotation.boundary() 获取该参数。但我只得到空白文本。有人能帮我吗？我在下面复制了我的代码，并为我正在使用的 PDF 添加了一个链接。感谢您的帮助！

import popplerqt4
import sys
import PyQt4


def main():

    doc = popplerqt4.Poppler.Document.load(sys.argv[1])
    total_annotations = 0
    for i in range(doc.numPages()):
        page = doc.page(i)
        annotations = page.annotations()
        if len(annotations) > 0:
            for annotation in annotations:
                if  isinstance(annotation, popplerqt4.Poppler.Annotation):
                    total_annotations += 1
                    if(isinstance(annotation, popplerqt4.Poppler.HighlightAnnotation)):
                        print str(page.text(annotation.boundary()))
    if total_annotations > 0:
        print str(total_annotations) + " annotation(s) found"
    else:
        print "no annotations found"

if __name__ == "__main__":
    main()

测试pdf： https://www.dropbox.com/s/10plnj67k9xd1ot/test.pdf

Answer 1

查看the documentation for Annotations 似乎边界属性以标准化坐标返回此注解的边界矩形。 虽然这似乎是一个奇怪的决定，但我们可以简单地通过page.pageSize().width() 和@987654326 缩放坐标@值。

import popplerqt4
import sys
import PyQt4


def main():

    doc = popplerqt4.Poppler.Document.load(sys.argv[1])
    total_annotations = 0
    for i in range(doc.numPages()):
        #print("========= PAGE {} =========".format(i+1))
        page = doc.page(i)
        annotations = page.annotations()
        (pwidth, pheight) = (page.pageSize().width(), page.pageSize().height())
        if len(annotations) > 0:
            for annotation in annotations:
                if  isinstance(annotation, popplerqt4.Poppler.Annotation):
                    total_annotations += 1
                    if(isinstance(annotation, popplerqt4.Poppler.HighlightAnnotation)):
                        quads = annotation.highlightQuads()
                        txt = ""
                        for quad in quads:
                            rect = (quad.points[0].x() * pwidth,
                                    quad.points[0].y() * pheight,
                                    quad.points[2].x() * pwidth,
                                    quad.points[2].y() * pheight)
                            bdy = PyQt4.QtCore.QRectF()
                            bdy.setCoords(*rect)
                            txt = txt + unicode(page.text(bdy)) + ' '

                        #print("========= ANNOTATION =========")
                        print(unicode(txt))

    if total_annotations > 0:
        print str(total_annotations) + " annotation(s) found"
    else:
        print "no annotations found"

if __name__ == "__main__":
    main()

此外，我决定连接 .highlightQuads() 以更好地表示实际突出显示的内容。

请注意我已附加到每个四边形文本区域的显式 <space>。

在示例文档中，返回的QString 不能直接传递给print() 或str()，解决方法是改用unicode()。

我希望这对某人有所帮助。

注意：页面旋转可能会影响缩放值，我无法对此进行测试。