使用python获取pdf中给定文本的坐标答案

【问题标题】：Get coordinates of the given text in pdf using python使用python获取pdf中给定文本的坐标
【发布时间】：2021-02-26 06:34:27
【问题描述】：

我正在做一个需要用 python 解析 PDF 的项目。我已经在 StackOverflow 中找到了很多关于这个的答案，但没有一个完全适合我的需要。我想通过使用 python 脚本获取 pdf 中文本的坐标。如果我提供 pdf 和“some_sample_text”，脚本应在 pdf 内搜索并提供“some_sample_text”的 x、y 坐标。我知道 Apache pdfbox 做得很好。我需要 Apache pdfbox 或 python 库之类的东西来完成这项任务。

【问题讨论】：

标签： python parsing pdf

【解决方案1】：

（免责声明：我是pText 的作者，此答案中使用的库。）

我们将首先加载Document

    with open("input.pdf", "rb") as pdf_file_handle:
        l = RegularExpressionTextExtraction("[sS]orbitol")
        doc = PDF.loads(pdf_file_handle, [l])

语法非常简单。 PDF.loads 尝试读取输入流，并将其作为 PDF 处理。您可以选择指定EventListener 对象的数组。每当呈现文本、图像、页面时，EventListener 都会在解析期间得到通知。

在这个例子中，我们传递了一个RegularExpressionTextExtraction。 EventListener 的这个实现监控所有传入的文本渲染命令，并尝试将它们与正则表达式进行匹配。

最后，一旦Document 被加载，我们就可以提取所有匹配项。在本例中，我将它们输出为 json 数组。

        # export matches
        with open("output.json", "w") as json_file_handle:
            obj = [
                {
                    "text": x.text,
                    "x0": int(x.get_baseline().x),
                    "y0": int(x.get_baseline().y),
                    "width": int(x.get_baseline().width),
                    "height": int(x.get_baseline().height),
                }
                for x in l.get_matched_chunk_of_text_render_events_per_page(0)
            ]
            json_file_handle.write(json.dumps(obj, indent=4))

我还举了一个例子，在 PDF 中标记匹配的字母。

您可以在GitHub 或使用PyPi 获取pText 还有很多 examples，请查看它们以了解有关处理文本的更多信息。

【讨论】：

【解决方案2】：

这个包说它可以做到。我不知道它已经过时了。

https://euske.github.io/pdfminer/

【讨论】：

请不要提供仅包含链接的答案。至少从他们的文档中复制/粘贴一个相关示例。