如何丢弃 PDF 中的裁剪文本

Question

我需要裁剪 pdf 以提取该 pdf 文档中的一些特定信息。有没有一种方法可以裁剪 pdf 并仅保留裁剪区域内的文本，而丢弃裁剪区域外的所有其他文本？

我尝试使用 pyPdf 使用以下代码对其进行裁剪。

from pyPdf import PdfFileWriter, PdfFileReader

with open("in.pdf", "rb") as in_f:
    input1 = PdfFileReader(in_f)
    output = PdfFileWriter()

    numPages = input1.getNumPages()
    print "document has %s pages." % numPages

    for i in range(numPages):
        page = input1.getPage(i)
        print page.mediaBox.getUpperRight_x(), page.mediaBox.getUpperRight_y()
        page.trimBox.lowerLeft = (25, 25)
        page.trimBox.upperRight = (225, 225)
        page.cropBox.lowerLeft = (50, 50)
        page.cropBox.upperRight = (200, 200)
        output.addPage(page)

    with open("out.pdf", "wb") as out_f:
        output.write(out_f)

pdf 本身被裁剪，但未裁剪的 pdf 的所有文本仍被保留。如果我复制新 PDF 的所有内容，即使是裁剪（不可见）的文本也会被复制。

Answer 1

在我玩弄了您的 PDF 并进行裁剪后，我发现无法裁剪并删除 invisible 数据。

基本上，裁剪所做的是将/CropBox [ 50 50 200 200 ] 元素添加到 PDF，但实际数据仍保留在 PDF 中。

提示：尝试在不裁剪的情况下提取数据，也可以使用 pdfminer、ghostscript 之类的库，或者再次尝试提取文本或获取上下文框的 PyPDF。