如何使用Python和PyMuPDF提取PDF文件的文本及相关信息

核心问题：获取字符实际前进间距 #

你当前代码用平均宽度计算字符位置的方式，无法适配不等宽字体（如中文、含特殊字符的文本），PyMuPDF提供了直接获取单个字符精确位置的方法，无需手动平均分配宽度。

优化后的代码（含框架搭建） #

以下代码完整覆盖你需要的基础功能，并预留扩展接口：

• 提取每个文本块的起始位置
• 获取每个字符的精确坐标与相对间距（delta）
• 提取字体名称、字号信息
• 预留图片提取的框架逻辑

import sys
import fitz  # PyMuPDF

def extract_pdf_content(pdf_path):
    doc = fitz.open(pdf_path)
    
    for page_num in range(len(doc)):
        page = doc[page_num]
        prev_char_x, prev_char_y = None, None
        
        print(f"--- 第 {page_num + 1} 页开始 ---")
        
        # 获取页面完整内容结构（文本+图片块）
        text_dict = page.get_text("dict")
        for block_idx, block in enumerate(text_dict['blocks']):
            if 'lines' not in block:
                # 识别图片块，预留提取逻辑
                if block['type'] == 1:
                    print(f"图片块 {block_idx + 1}，位置：{block['bbox']}")
                continue
            
            # 输出文本块起始位置
            block_x0, block_y0 = block['bbox'][0], block['bbox'][1]
            print(f"\n文本块 {block_idx + 1}，起始位置：({block_x0:.2f}, {block_y0:.2f})")
            
            for line in block['lines']:
                for span in line['spans']:
                    # 提取当前span的字体信息
                    font_name = span['font']
                    font_size = span['size']
                    print(f"  字体：{font_name}，字号：{font_size:.2f}")
                    
                    # 获取当前页所有字符的精确信息，筛选属于当前span的字符
                    all_chars = page.get_text("chars")
                    span_chars = [c for c in all_chars if 
                                  span['bbox'][0] <= c['bbox'][0] <= span['bbox'][2] and
                                  span['bbox'][1] <= c['bbox'][1] <= span['bbox'][3]]
                    # 按x坐标排序，保证字符顺序与PDF显示一致
                    span_chars.sort(key=lambda x: x['bbox'][0])
                    
                    for char_info in span_chars:
                        char = char_info['text']
                        char_x0, char_y0 = char_info['bbox'][0], char_info['bbox'][1]
                        
                        # 计算相对偏移量
                        delta_x = char_x0 - prev_char_x if prev_char_x is not None else 0
                        delta_y = char_y0 - prev_char_y if prev_char_y is not None else 0
                        
                        print(f"    字符：'{char}'，位置：({char_x0:.2f}, {char_y0:.2f})，相对X偏移：{delta_x:.2f}，相对Y偏移：{delta_y:.2f}")
                        
                        # 更新上一个字符的坐标
                        prev_char_x, prev_char_y = char_x0, char_y0
        
        print(f"--- 第 {page_num + 1} 页结束 ---\n")

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print("使用方法：python extract_pdf_content.py <PDF文件路径>")
    else:
        pdf_path = sys.argv[1]
        extract_pdf_content(pdf_path)

关键改进说明 #

• 字符精确位置：通过page.get_text("chars")获取每个字符的独立边界框（bbox），彻底替代平均宽度估算，完全匹配PDF中字符的实际布局。
• 框架扩展性：
  • 文本块信息：直接读取block的bbox起始坐标
  • 字体信息：从span字段中直接提取font和size
  • 图片提取：识别类型为1的block，后续可添加page.get_pixmap(bbox=block['bbox'])等代码完成图片提取保存。
• 逻辑严谨性：对字符按x坐标排序，确保输出顺序与PDF视觉顺序一致。

内容的提问来源于stack exchange，提问作者Dov