Using a visitor（使用訪客）

您可以使用訪問者功能來(lái)控制要處理和提取頁(yè)面的哪一部分。您提供的訪問者函數(shù)將為每個(gè)運(yùn)算符或每個(gè)文本片段調(diào)用。

在函數(shù) extract_text 的參數(shù) visitor_text 中提供的函數(shù)有五個(gè)參數(shù)：當(dāng)前轉(zhuǎn)換矩陣、文本矩陣、字體字典和字體大小。在大多數(shù)情況下，當(dāng)前位置的 x 和 y 坐標(biāo)位于當(dāng)前變換矩陣的索引 4 和 5 中。

在未知字體的情況下，字體字典可能是無(wú)。如果不是 None 它可能例如包含鍵“/BaseFont”和值“/Arial,Bold”。

警告：在復(fù)雜的文檔中，計(jì)算出的位置可能是錯(cuò)誤的。

參數(shù) visitor_operand_before 中提供的函數(shù)有四個(gè)參數(shù)：操作數(shù)、操作數(shù)參數(shù)、當(dāng)前轉(zhuǎn)換矩陣和文本矩陣。

from PyPDF2 import PdfReader

reader = PdfReader("GeoBase_NHNC1_Data_Model_UML_EN.pdf")
page = reader.pages[3]

parts = []


def visitor_body(text, cm, tm, fontDict, fontSize):
    y = tm[5]
    if y > 50 and y < 720:
        parts.append(text)


page.extract_text(visitor_text=visitor_body)
text_body = "".join(parts)

print(text_body)

from PyPDF2 import PdfReader
import svgwrite

reader = PdfReader("GeoBase_NHNC1_Data_Model_UML_EN.pdf")
page = reader.pages[2]

dwg = svgwrite.Drawing("GeoBase_test.svg", profile="tiny")


def visitor_svg_rect(op, args, cm, tm):
    if op == b"re":
        (x, y, w, h) = (args[i].as_numeric() for i in range(4))
        dwg.add(dwg.rect((x, y), (w, h), stroke="red", fill_opacity=0.05))


def visitor_svg_text(text, cm, tm, fontDict, fontSize):
    (x, y) = (tm[4], tm[5])
    dwg.add(dwg.text(text, insert=(x, y), fill="blue"))


page.extract_text(
    visitor_operand_before=visitor_svg_rect, visitor_text=visitor_svg_text
)
dwg.save()

為什么文本提取很難

從 PDF 中提取文本可能非常棘手。在某些情況下，沒有明確的答案預(yù)期結(jié)果應(yīng)該是什么樣子：

1. Paragraphs: 一個(gè)段落的文本是否應(yīng)該在原始 PDF 的相同位置有換行符，或者它應(yīng)該是一個(gè)文本塊？

2. Page numbers: 它們應(yīng)該包含在摘錄中嗎？

3. Headers and Footers: 類似于頁(yè)碼 - 是否應(yīng)該提取它們？

4. Outlines: 是否應(yīng)該提取輪廓？

5. Formatting: 如果文本是粗體或斜體，它應(yīng)該包含在輸出中嗎？

6. Tables: 文本提取是否應(yīng)該跳過表格？它應(yīng)該只提取文本嗎？邊框是否應(yīng)該以某種類似 Markdown 的方式顯示，或者結(jié)構(gòu)是否應(yīng)該存在，例如作為 HTML 表格？你將如何處理合并的單元格？

7. Captions: 是否應(yīng)包括圖像和表格標(biāo)題？

8. Ligatures: Unicode 符號(hào) U+FB00 是兩個(gè)小寫字母“f”的單個(gè)符號(hào) ff。應(yīng)該將其解析為 Unicode 符號(hào)“ff”還是兩個(gè) ASCII 符號(hào)“ff”？

9. SVG images: 是否應(yīng)該提取文本部分？

10. Mathematical Formulas: 他們應(yīng)該被提取嗎？公式有索引和嵌套分?jǐn)?shù)。

11. Whitespace characters: 對(duì)于 3cm 的垂直空白應(yīng)該提取多少行？如果有 3cm 的水平空白，應(yīng)該提取多少個(gè)空格？你什么時(shí)候提取制表符，什么時(shí)候提取空格？

12. Footnotes: 提取多頁(yè)正文時(shí)，腳注應(yīng)該放在哪里？

13. Hyperlinks and Metadata: 它應(yīng)該被提取嗎？它應(yīng)該以哪種格式放置在哪里？

14. Linearization: 假設(shè)您在段落之間有一個(gè)浮動(dòng)圖形。你是先完成段落還是在中間放置圖形文本？

還有一些問題，大多數(shù)人會(huì)同意正確的輸出，但 PDF 存儲(chǔ)信息的方式很難實(shí)現(xiàn)：

1. Tables: 通常，表格只是絕對(duì)定位的文本。在最壞的情況下，任何一個(gè)字母都可以被絕對(duì)定位。這使得很難分辨列/行在哪里。

2. Images: 有時(shí) PDF 不包含顯示的文本，而是圖像。當(dāng)您無(wú)法復(fù)制文本時(shí)，您會(huì)注意到這一點(diǎn)。然后是在背景中包含圖像和文本層的 PDF 文件。這通常發(fā)生在掃描文檔時(shí)。雖然今天的掃描軟件（OCR）已經(jīng)很不錯(cuò)了，但偶爾還是會(huì)出現(xiàn)故障。 PyPDF2 不是 OCR 軟件；它將無(wú)法檢測(cè)到這些故障。 PyPDF2 也永遠(yuǎn)無(wú)法從圖像中提取文本。

最后還有 PyPDF2 將處理的問題。如果您發(fā)現(xiàn)此類文本提取錯(cuò)誤，請(qǐng)與我們分享 PDF，以便我們進(jìn)行處理！

OCR 與文本提取

光學(xué)字符識(shí)別 (OCR) 是從圖像中提取文本的過程。執(zhí)行此操作的軟件稱為 OCR 軟件。 tesseract OCR 引擎是最廣為人知的開源 OCR 軟件。

PyPDF2 不是 OCR 軟件。

試圖阻止文本提取

如果共享 PDF 文檔的人想要阻止文本提取，有多種方法可以做到：

1. 將 PDF 的內(nèi)容存儲(chǔ)為圖像

2. 使用亂碼字體

但是，如果人們?nèi)詰?yīng)能夠閱讀文檔，則不能完全阻止文本提取。在最壞的情況下，人們可以截屏、打印、掃描并在其上運(yùn)行 OCR。