解析PDF文件并输出单个字符位置

Question

我正在尝试通过识别每个字符和每个单词的内容和位置，从（数字）PDF中提取文本信息。换句话说，xpdf / poppler中的pdftotext --bbox效果很好，但是我找不到提取字符位置的简便方法。

我尝试过的事情

我目前拥有的解决方案是将pdf转换为svg（通过pdf2svg），然后解析所得的svg，以提取单个字符（=字形）位置。第三步，比较结果框，将每个字符分配给一个单词，希望数字匹配。

问题

尽管上述方法适用于大多数“基本”字体，但在两种（主要）情况下，这种方法会失败：

• 在脚本字体（或某些极端斜体字体）中，边框比其内容大得多；结果，单词会大量重叠，并且很有可能一个字符完全包含在两个单词中。在这种情况下，映射会失败，因为一旦翻译为svg，我就无法知道哪个字形中包含哪个字符。
• 在许多字体中，可以连接多个字符，从而产生一个字形。在这种情况下，字符框的数量与单词中的字符数不匹配，因此将每个字母与一个框匹配仍然是有问题的。

第二点（对我来说是主要的）通过识别常用连字并（如果计数不匹配）将相应的边界框分成多个部分来进行部分变通；但这并不总是有效的，因为例如“ ffi”有时会连接到单个字形，有时会以两个字形“ ff” +“ i”，有时是两个字形“ f” +“ fi”来连接，具体取决于字体。

我希望的是

据我了解，pdf实际上包含字形信息，而不是单词。如果是这样，则所有从pdf中提取文本的程序（例如pdftotext）必须首先提取并找到各个字符，然后再将它们分组为单词/行；所以我为找不到每个字符的输出位置选项感到惊讶。转换为svg本质上给了我，但是在转换中，有关内容的所有信息（即，如果有连字，则是映射字形到字符，或者字形到字符）都丢失了，因为不再有字体。通过再次查看字体来重做将每个字形与字符匹配的工作，就像在重写pdf解析器...

因此，对于任何解决此问题的想法，我将不胜感激。 The top answer here建议使用TET可以做到这一点，但这是一个付费的选择，而替换我的整个基础架构以处理一个极限情况似乎是一个大杀手......

Answer 1

PDF文件不一定明确指定每个字符的位置。通常，它将文本分成字符行（我认为所有字符都使用相同的字体，直到一行为止），然后为每次运行指定边界框的位置，该边界框应包含这些字符的字形。因此，每个字形的确切位置将取决于用于呈现它的字体的度量（主要是字形宽度）。

Python软件包pdfminer具有脚本pdf2txt.py。尝试使用-t xml调用它。文档只是说XML format. Provides the most information.，但我的笔记表明它将应用字体度量，并为每个字形提供一个<text>元素，并带有字体和边框信息。

在各个地方都有各种版本（例如PyPI和github）。如果您需要Python 3支持，请寻找pdfminer.six。