解析python中的PDF形状数据
我试图把一个脚本，以修复PDF大量的PDF已经从Autocad通过他们的DWG2PDF打印驱动程序导出。
当使用此驱动程序时，所有SHX字体都被呈现为形状数据，而不是文本数据，但是，它们确实有一个注释插入到PDF中，在预期的位置使用预期的文本。
到目前为止，在我的脚本中，我已经让它在PDF中运行，并在每个部分的顶部插入隐藏的文本，文本压缩到评论的大小，这给了我90%的方法，给了我一个可搜索的文档。
遗憾的是，注释区域的大小是相对的(基于整数的)，这使得很难准确地确定短文本的方向，导致文本周围大小不均匀的框。
我想要做的是解析PDF中的形状数据，在注释范围内收集任何信息，然后确定一个更小、更精确的边框。然而，我所能找到的所有信息都是那些试图通过文本数据进行解析的人，而我在形状数据方面根本找不到任何东西。
下面的图像是PDF中原始文本的示例，第二个图像以蓝色显示注释边框，红色文本是我设置的隐藏内容，以使文档可搜索，并可复制/粘贴。我可以通过将框缩小一个固定的边距来得到更好的效果，但是对于小的文本项，注释框的低分辨率坐标数据会把事情搞砸。
为了达到这一目的，我使用了PyPDF2和reportlab的组合，但是可以迁移到不同的库中。
回答 1
Stack Overflow用户
发布于 2022-02-02 23:44:17
最后，我没有用PyPDF2找到解决方案，我找到了一种在pdfminer.six中迭代形状数据的简单方法，但是在pdfminer中找不到一种提取注释数据的好方法。
因此，我使用一个库获取注释，一个用于查看形状数据，最后使用第三个库在新的pdf上添加隐藏文本。随着工作表复杂性的增加，它运行得非常慢，但是给我足够好的结果，请参见下面的图像，其中注释中的粗绿色边框缩小到文本周围的蓝色边框。当然，我不会划定边界，使用不可见的文本作为实际的程序输出，给出相当好的可选择/可搜索的文本。
如果有人对PDF中的形状数据循环感兴趣，那么下面的片段应该可以帮助您开始工作。
from pdfminer.high_level import extract_pages
from pdfminer.layout import LTLine, LTCurve
for page_layout in extract_pages("TestSchem.pdf"):
for element in page_layout:
if isinstance(element, LTCurve) or isinstance(element, LTLine):
print(element.bbox)https://stackoverflow.com/questions/70952416
复制
腾讯云开发者
