1 需求描述

最近工作需要從PDF文檔中按照章節(jié)解析出對應的文本和圖片(后續(xù)可能還會有表格)，經過調研，找到了一個功能強大的解析工具MuPDF，對應的Python包是PyMuPDF。本篇博客記錄使用它來實現(xiàn)具體功能。

官方文檔：https://pymupdf.readthedocs.io/en/latest/index.html

2 利用書簽中標題劃分章節(jié)

在PDF中，點擊書簽或者目錄頁中具體一個標題時，文檔頁面會跳轉到對應的章節(jié)，“跳轉”的實現(xiàn)說明了其背后有一套機制(交叉引用)，記錄了各級標題和正文頁面的對應關系。

PyMuPDF解析書簽中各層級標題的接口為Document.get_toc()，該接口可以返回書簽的層級、名稱、點擊它跳轉到的頁碼及具體到目標頁的哪個位置。

• 接口介紹

  get_toc(simple=True/False)
  

  # 參數(shù)simple=True時，返回簡單版本的各級目錄，包括[標題層級, 標題名稱，跳轉到的頁碼]，例如：
  [
  2,             // 第二級
  '旅行規(guī)劃',     // 名稱
  9,             // 對應正文的第9頁(該字段index從1開始)
  ]
  

  # 參數(shù)simple=False時，在跳轉到的頁碼基礎上，增加了'to'指向跳轉頁具體的坐標點(x, y)
  [2, '用戶手冊介紹 ', 9, 
  {'kind': 1, 'xref': 3112, 
  'page': 8, 'to': Point(43.937, 29.877015), 
  'zoom': 0.0, 'collapse': False
  }]
  

• 詳細文檔

  
  ?

利用對書簽的解析，獲取到了:
(1)文檔的層級關系: 包含多少第一級大標題、每個第一級標題下又有多少二級標題，以此類推可以獲取完整的文檔結構；
(2)每一級標題在正文中的頁面范圍，例如從第3頁(43,40)到第5頁的(253, 400)。

因此可以實現(xiàn)按照章節(jié)的拆分。

3 基于章節(jié)的文本解析

劃分章節(jié)后，每一章節(jié)在正文中的位置由：起始頁面、起始頁面的坐標、結束頁面、結束頁面坐標描述，例如，start_page = 5, (start_x = 43, start_y = 36)，end_page = 8, (end_x = 134, end_y=238)。

• 起始頁和結束頁只需要解析該章節(jié)范圍內的文字，選擇使用Page.get_textbox()方法獲取矩形框rect范圍內的文字：

  
  ?
  ?

• 中間頁需要在獲取頁面全部范圍內的文字后，過濾頁眉和頁腳。因此選擇使用Page.get_text(“blocks”)方法按塊獲取該頁內所有段落的坐標、文字內容及類型(文本、圖片)，然后根據(jù)坐標過濾掉頁眉、頁碼等不需要的文字內容。

  
  ?

• 文本亂序問題：作者插入順序可能不是按照閱讀順序，導致解析出來的文字出現(xiàn)了亂序，例如第5行的文字解析出來之后在第10行文字的后面；解決亂序問題主要是通過設置參數(shù)sort=True(默認為False)，將解析的文本按照坐標排序，來獲得按照自然閱讀順序的文本。

• 單雙列布局問題：雙列布局的頁面，根據(jù)頁碼的坐標來區(qū)分是左側還是右側。

4 掃描PDF解析

圖片掃描成的PDF并不是按照PDF標準形成的文檔，沒有包含文本信息，按照 3 中的方法獲取的文本是空的。

其中一種解決方法是使用OCR獲取圖片中的文本：

(1)OCR的工具有多種，如PyMuPDF文檔提及的OCRMyPDF(免費)。選擇OCRMyPDF的話需要配置依賴的兩個軟件:tesseract和gs，并且由于OCRMyPDF默認的文字識別模型支持英文，在中文情況下需下載對應的中文識別模型。

(2)OCR獲取文字會存在識別錯誤的情況，要考慮識別錯誤對后續(xù)處理是否會造成影響。

5 基于章節(jié)的圖片解析

• 使用Page.get_image_info(hashes=False, xrefs=False)接口獲取圖片的元信息，包括圖片的原始寬高、嵌入到pdf后的bbox以及交叉引用的序號xref；獲取元信息主要是為了使用位置信息來判斷圖片屬于哪個章節(jié)；

  
  ?

• 然后使用Document.extract_image(xref)根據(jù)元信息中的xref獲取存儲的圖片信息并保存；文章來源地址http://www.zghlxwxcb.cn/news/detail-680495.html

  
  ?

6 小結

• 最近解析文檔最大收獲在于：要明確自己的需求，根據(jù)需求去選擇工具；PyMuPDF提供的接口功能很強大，面對布局多樣的文檔，不要急于動手，可以多查閱官方文檔尋找更合適的接口，在此基礎上設計方案。
• 分享發(fā)現(xiàn)的寶藏博客，博主的系列文章記錄了使用PyMuPDF將pdf文檔轉為word的過程。

到了這里，關于工具分享 | PDF文檔解析工具PyMuPDF的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！