使用Python获取PDF文本和图片的精确位置的操作方法_Python

引言

在处理和分析pdf文档时，获取文本和图片在页面上的精确位置是一个重要的操作。通过确定这些元素的具体坐标，我们可以实现对pdf内容的更精细控制和理解，这对于自动化文档处理、信息提取以及内容重组等工作流程尤为关键。通过python编程语言，我们可以轻松获取pdf页面上文本及图像的精确坐标，使我们能够在不影响其原有排版的情况下对内容进行操作。本文将介绍如何使用python获取pdf文本和图片在页面上的位置坐标。

本文所使用的方法需要用到spire.pdf for python，pypi：pip install spire.pdf。

spire.pdf for python通过一个起点位于页面左上角的坐标系来处理pdf页面元素的位置，x轴向右延伸，y轴向下延伸。当我们在pdf页面放置文本、图像等内容时，我们可以直接使用x和y两个数值来确定位置。同时，我们也可以使用库中的属性获取指定元素在其页面上的位置。

页面坐标如图所示：

用python在pdf中查找文本并获取其页面坐标位置

pdftextfinder类可以帮助我们以指定的查找选项在指定pdf页面中查找文本。查找到指定文本后，我们可以使用pdftextfragment.positions[0].x和pdftextfragment.positions[0].y属性访问文本的起始坐标，从而确定其精确位置。
同时，pdftextfragment类还提供text、textstates[].fontsize以及textstates[].fontname属性来获取文本的更多信息，从而方便开发者对文本进行完全复制等操作。
以下是使用python获取pdf文本的页面坐标位置的操作步骤示例：

导入所需模块：pdfdocument、pdftextfinder、pdftextfindoptions和textfindparameter。
创建pdfdocument实例，使用pdfdocument.loadfromfile()方法载入用于操作的pdf文档。
使用pdfdocument.pages.get_item()获取指定页面页面，或循环文档所有页面循环页面。
使用页面创建pdftextfinder实例。
创建pdftextfindoptions实例，通过pdftextfindoptions.parameter属性，使用textfindparameter指定查找选项。
通过pdftextfinder.options应用查找选项。
使用pdftextfinder.find(str: text)方法在页面上查找指定文本。
判断是否有查找结果。如果有，则遍历查找结果，使用pdftextfragment.positions[0].x和pdftextfragment.positions[0].y属性获取文本的坐标。
输出结果，或对文本进行其他操作。

代码示例

from spire.pdf import pdfdocument, pdftextfinder, pdftextfindoptions, textfindparameter

# 创建一个 pdfdocument 实例
pdf = pdfdocument()

# 加载一个 pdf 文档
pdf.loadfromfile("sample.pdf")

textfound = false # 标志，用于检查是否找到文本
# 遍历所有页
for i in range(pdf.pages.count):
    # 获取一页
    page = pdf.pages.get_item(i)

    # 创建一个 pdftextfinder 实例
    finder = pdftextfinder(page)

    # 设置搜索选项
    options = pdftextfindoptions()
    options.parameter = textfindparameter.wholeword  # 搜索完整单词
    finder.options = options

    # 查找文本
    results = finder.find("history and cultural significance")
    # 检查是否找到文本
    if len(results) > 0:
        textfound = true  # 标记为已找到
        # 遍历所有结果
        for text in results:
            # 获取起始坐标
            x = text.positions[0].x
            y = text.positions[0].y
            # 获取结束坐标
            x2 = text.positions[-1].x
            print("在第 " + str(i+1) + " 页找到文本，坐标：\n" + "x: " + str(x) + "\ny: " + str(y) + "\n")
# 如果没有找到文本，打印未找到的消息
if not textfound:
    print("未找到文本。")

pdf.close()

结果

用python获取pdf页面指定图像的坐标位置

我们可以使用pdfpagebase.imagesinfo属性获取指定pdf页面的图片信息列表，然后遍历列表获取，使用pdfimageinfo.bounds.x和pdfimageinfo.bounds.y属性获取图片的起始坐标。此外，我们还可以使用pdfimageinfo.image属性直接获取图片为stream，从而进行保存、复制等操作。
以下是获取pdf图片的页面坐标位置的操作步骤示例：

导入所需模块：pdfdocument。
创建pdfdocument实例，使用pdfdocument.loadfromfile()方法载入用于操作的pdf文档。
使用pdfdocument.pages.get_item()获取指定页面页面，或循环文档所有页面循环页面。
使用pdfpagebase.imagesinfo属性获取页面的图片信息列表。
判断页面是否包含图片。如果包含，则遍历图片信息列表，使用pdfimageinfo.bounds.x和pdfimageinfo.bounds.y属性获取图片的起始坐标。
输出结果，或对图像进行其他操作。

代码示例

from spire.pdf import pdfdocument

# 创建一个 pdfdocument 实例
pdf = pdfdocument()

# 加载一个 pdf 文档
pdf.loadfromfile("g:/documents/sample.pdf")

imagefound = false  # 标志，用于指示是否找到图片
# 遍历所有页
for i in range(pdf.pages.count):
    # 获取一页
    page = pdf.pages.get_item(i)
    # 获取页面中的图片信息
    imagesinfo = page.imagesinfo
    # 检查页面是否包含图片
    if len(imagesinfo) > 0:
        imagefound = true  # 标记为已找到图片
        # 遍历所有图片
        for j in range(len(imagesinfo)):
            # 获取图片信息
            imageinfo = page.imagesinfo[j]
            # 获取图片的坐标
            x = imageinfo.bounds.x
            y = imageinfo.bounds.y
            # 打印坐标信息
            print(f"第 {i + 1} 页的第 {j + 1} 张图片。坐标：\nx={x}, y={y}")
# 如果没有找到任何图片，打印未找到图片的消息
if not imagefound:
    print("文档中没有图片。")
pdf.close()

结果