PDF裁剪后读取文本仍为原内容，如何正确裁剪并读取？

你之前用Fitz或PyPDF2做的裁剪，本质只是修改了PDF的CropBox或MediaBox参数——这只是告诉PDF阅读器「只显示这个区域」，但底层的文本数据并没有被删除，所以用pdfplumber或PyPDF2读取时，还是会拿到完整内容。

下面提供两种可行的解决思路：

方案1：真正移除裁剪区域的内容（生成新PDF） #

用PyMuPDF（即你使用的Fitz）可以直接提取指定区域的内容并生成新PDF，新PDF里仅保留你需要的区域内容，读取时不会拿到页脚的「page ... of ...」。

代码示例：

import fitz  # PyMuPDF

# 打开原PDF
doc = fitz.open("original.pdf")
# 创建新PDF容器
new_doc = fitz.open()

# 定义裁剪区域（单位为点，1英寸=72点）
# 示例：移除底部20点高度的页脚区域
crop_rect = fitz.Rect(0, 0, doc[0].rect.width, doc[0].rect.height - 20)

for page in doc:
    # 创建和裁剪区域尺寸一致的新页面
    new_page = new_doc.new_page(width=crop_rect.width, height=crop_rect.height)
    # 将原页面指定区域的内容绘制到新页面
    new_page.show_pdf_page(new_page.rect, doc, page.number, clip=crop_rect)

# 保存处理后的PDF
new_doc.save("cropped_actual.pdf")
new_doc.close()
doc.close()

生成的cropped_actual.pdf中，页脚内容已被真正移除，用任何文本读取工具都不会获取到多余内容。

方案2：读取时直接提取指定区域的文本（无需修改PDF） #

如果不想生成新PDF，更高效的方式是用pdfplumber直接读取页面的指定区域，跳过不需要的页脚部分：

代码示例：

import pdfplumber

with pdfplumber.open("original.pdf") as pdf:
    for page in pdf.pages:
        # 定义要提取的有效区域（左、上、右、下，单位为点）
        # 示例：跳过底部20点的页脚区域
        crop_area = (0, 0, page.width, page.height - 20)
        # 提取该区域内的文本
        target_text = page.within_bbox(crop_area).extract_text()
        print(target_text)

这种方式直接在读取阶段过滤掉不需要的区域，无需修改原PDF，适合批量处理场景。

内容的提问来源于stack exchange，提问作者user26689279