Question

我有一个pdf文件列表，我需要在这些文件的每一页上突出显示特定的文本，并为每个文本实例保存一个快照。

到目前为止，我能够突出显示文本并将pdf文件的整个页面另存为快照。但是，我想找到突出显示的文本的位置，并放大快照，与全页快照相比，该快照将更加详细。

我很确定必须对此问题有解决方案。我是Python的新手，因此无法找到它。如果有人可以帮助我，我将非常感谢。

我尝试使用PyPDF2，Pymupdf库，但找不到解决方案。我还尝试通过提供有效的坐标来突出显示，但是找不到找到将这些坐标作为输出的方法。

[![Sample snapshot from the code[![\]\[1\]][1]][1]][1]

#import PyPDF2
import os
import fitz
from wand.image import Image
import csv
#import re
#from pdf2image import convert_from_path

check = r'C:\Users\Pradyumna.M\Desktop\Pradyumna\Automation\Intel Bytes\Create Source Docs\Sample Check 8 Apr 2019'

dir1 = check + '\\Source Docs\\'
dir2 = check + '\\Output\\'

dir = [dir1, dir2]

for x in dir:
    try:
        os.mkdir(x)
    except FileExistsError:
        print("Directory ", x, " already exists")

### READ PDF FILE
with open('upload1.csv', newline='') as myfile:
    reader = csv.reader(myfile)
    for row in reader:
        rowarray = '; '.join(row)
        src = rowarray.split("; ")
        file = check + '\\' + src[4] + '.pdf'
        print(file)
        #pdfFileObj = open(file,'rb')
        #pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
        #print("Total number of pages: " + str(pdfReader.numPages))
        doc = fitz.open(file)
        print(src[5])
        for i in range(int(src[5])-1, int(src[5])):
            i = int(i)
            page = doc[i]
            print("Processing page: " + str(i))
            text = src[3]
            #SEARCH TEXT
            print("Searching: " + text)
            text_instances = page.searchFor(text)
            for inst in text_instances:
                highlight = page.addHighlightAnnot(inst)
                file1 = check + '\\Output\\' + src[4] + '_output.pdf'
                print(file1)
                doc.save(file1, garbage=4, deflate=True, clean=True)
                ### Screenshot
                with(Image(filename=file1, resolution=150)) as source:
                    images = source.sequence
                    newfilename = check + "\\Source Docs\\" + src[0] + '.jpeg'
                    Image(images[i]).save(filename=newfilename)
                    print("Screenshot of " + src[0] + " saved")

Answer 1

“ 无法找到将这些坐标作为输出的方法” -您可以通过以下操作获取坐标：

for inst in text_instances:
    print(inst)

inst是fitz.Rect对象，其中包含找到的文本片段的左上角和右下角坐标。所有信息都可以在docs中找到。

我设法使用下面的代码片段突出显示点并保存裁剪区域。我正在使用python 3.7.1，并且fitz.version的输出是('1.14.13', '1.14.0', '20190407064320')。

import fitz

doc = fitz.open("foo.pdf")
inst_counter = 0
for pi in range(doc.pageCount):
    page = doc[pi]

    text = "hello"
    text_instances = page.searchFor(text)

    five_percent_height = (page.rect.br.y - page.rect.tl.y)*0.05

    for inst in text_instances:
        inst_counter += 1
        highlight = page.addHighlightAnnot(inst)

        # define a suitable cropping box which spans the whole page 
        # and adds padding around the highlighted text
        tl_pt = fitz.Point(page.rect.tl.x, max(page.rect.tl.y, inst.tl.y - five_percent_height))
        br_pt = fitz.Point(page.rect.br.x, min(page.rect.br.y, inst.br.y + five_percent_height))
        hl_clip = fitz.Rect(tl_pt, br_pt)

        zoom_mat = fitz.Matrix(2, 2)
        pix = page.getPixmap(matrix=zoom_mat, clip = hl_clip)
        pix.writePNG(f"pg{pi}-hl{inst_counter}.png")

doc.close()

我在样本pdf文件中对此进行了测试，并加上了“ hello”：

脚本的一些输出：

我从文档的以下几页中构成了解决方案：

Tutorial页面以引入图书馆
page.searchFor找出searchFor方法的返回类型
fitz.Rect了解从page.searchFor返回的对象是什么
Collection of Recipes页面（URL中称为常见问题）以弄清楚如何裁剪和保存pdf页面的一部分

使用python突出显示pdf文件中的文本内容并保存屏幕截图

1 个答案: