文章/答案/技术大牛

发布

社区首页 >问答首页 >如何从PDF中提取文本，并得到页面坐标和字符串位置之间的转换？

问如何从PDF中提取文本，并得到页面坐标和字符串位置之间的转换？
EN

Stack Overflow用户

提问于 2022-06-17 20:26:35

回答 1查看 250关注 0票数 1

我希望从PDF中提取纯文本，并通过一个命名实体识别函数来运行它，该函数将显示文本和字符串位置。

我正在考虑使用pdfminer从我的PDF中提取文本。我想知道是否有可能将字符串位置的坐标转换回页面坐标。例如，如果提取的文本是“Hello”，那么如何获得“World”的页面坐标(给定其字符串位置5:11 )

谢谢!

pdf

pdfminer

python

回答 1

Stack Overflow用户

回答已采纳

发布于 2022-06-18 02:12:12

如何逆转PDF字的位置并不容易，所以让我们使用一个基本的例子

%PDF-1.4
1 0 obj <</Type /Catalog /Pages 2 0 R>>
endobj
2 0 obj <</Type /Pages /Kids [3 0 R] /Count 1>>
endobj
3 0 obj<</Type /Page /Parent 2 0 R /Resources 4 0 R /MediaBox [0 0 500 800] /Contents 6 0 R>>
endobj
4 0 obj<</Font <</F1 5 0 R>>>>
endobj
5 0 obj<</Type /Font /Subtype /Type1 /BaseFont /Helvetica>>
endobj
6 0 obj
<</Length 44>>
stream
BT /F1 24 Tf 175 720 Td (Hello World!)Tj ET
endstream
endobj
xref
0 7
0000000000 65535 f
0000000009 00000 n
0000000056 00000 n
0000000111 00000 n
0000000212 00000 n
0000000250 00000 n
0000000317 00000 n
trailer <</Size 7/Root 1 0 R>>
startxref
406
%%EOF

在这里，很明显，Helvetica字符串位于x=175 y=720 (即一个默认页面的顶部附近)，但是页面有800个单位高，而不是一个更自然的842 pt，所以第一个问题是，协调是什么意思?投影/转换起什么作用？

因此，我们可以很容易地说，x值的世界！通常是正面的从左边的边缘，但来源可能是右上角的媒体，因此世界！在x和y中都是负的。

对于日常PDF页面，我们使用默认的文本原点作为裁剪框或媒体框的左下角，除非我们看到另有说明。同样，对于图像，它们的起源通常是从左上角计算的，但这可能超出了它们的作物边界。库将帮助您提供相关的值，幸运的话，这些值被简化为一个共同的来源和规模，并且由于转换而几乎没有冲突。

在这种情况下，我们可以期待世界的左下角！X= 236 &y= 80 (800-720)。

但是，一个简单的HTML转换可能会将两个单词放在一起使用top:94px;left:263px。

<body bgcolor="#A0A0A0" vlink="blue" link="blue">
<div id="page1-div" style="position:relative;width:750px;height:1200px;">
<img width="750" height="1200" src="hello001.png" alt="background image"/>
<p style="position:absolute;top:94px;left:263px;white-space:nowrap" class="ft00">Hello World!</p>
</div>
</body>

如果您需要精确的文本位置，那么打印机组件跟踪将给出最准确的打印出答案。

多工具跟踪hello.pdf

<fill_text colorspace="DeviceGray" color="0" transform="1 0 0 -1 0 800">
    <span font="Helvetica" wmode="0" bidi="0" trm="24 0 0 24">
        <g unicode="H" glyph="H" x="175" y="720" adv=".722"/>
        <g unicode="e" glyph="e" x="192.328" y="720" adv=".556"/>
        <g unicode="l" glyph="l" x="205.672" y="720" adv=".222"/>
        <g unicode="l" glyph="l" x="211" y="720" adv=".222"/>
        <g unicode="o" glyph="o" x="216.328" y="720" adv=".556"/>
        <g unicode=" " glyph="space" x="229.672" y="720" adv=".278"/>
        <g unicode="W" glyph="W" x="236.344" y="720" adv=".944"/>
        <g unicode="o" glyph="o" x="259" y="720" adv=".556"/>
        <g unicode="r" glyph="r" x="272.344" y="720" adv=".333"/>
        <g unicode="l" glyph="l" x="280.336" y="720" adv=".222"/>
        <g unicode="d" glyph="d" x="285.664" y="720" adv=".556"/>
        <g unicode="!" glyph="exclam" x="299.008" y="720" adv=".278"/>
    </span>
</fill_text>

“世界的W”开始于x="236.344“y=720

我们还可以通过添加每一项预付款来计算World的宽度。

World = 2.611单位的总进给量( 24 = 62.664宽= 22.10647毫米)

或者我们可以通过更简单的减法来完成，因为我们知道了！为299.008 so -236.344也= 62.664。

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/72664472

复制

相似问题

问如何从PDF中提取文本，并得到页面坐标和字符串位置之间的转换？
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问如何从PDF中提取文本，并得到页面坐标和字符串位置之间的转换？EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问如何从PDF中提取文本，并得到页面坐标和字符串位置之间的转换？
EN