如何通过Python或OCR技术提取PDF中选中的单选按钮选项？

针对你遇到的问题，以下是几种实用的Python方案，覆盖原生可编辑PDF和扫描版PDF场景：

1. 原生PDF：结合pdfplumber的图形检测+文本匹配 #

如果是原生可编辑PDF，pdfplumber可以检测页面中的图形元素（比如选中单选按钮的填充圆点），再匹配附近的文本：

import pdfplumber

def extract_selected_radio_buttons(pdf_path):
    selected_options = []
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            # 筛选填充的圆形（选中的单选按钮，需根据实际尺寸调整宽高阈值）
            circles = [obj for obj in page.objects['rects'] 
                       if abs(obj['width'] - obj['height']) < 2 
                       and obj['fill'] is not None]
            for circle in circles:
                # 扩大按钮区域范围，提取对应文本
                text_area = page.within_bbox((0, circle['top']-5, page.width, circle['bottom']+5))
                option_text = text_area.extract_text().strip()
                if option_text:
                    selected_options.append(option_text)
    return selected_options

# 调用示例
print(extract_selected_radio_buttons("your_form.pdf"))

注意：需要根据PDF中单选按钮的实际大小，调整圆形筛选的宽高差值、填充值等参数。

2. 原生PDF：PyMuPDF（fitz）图形+文本定位 #

PyMuPDF对PDF的图形和文本定位精度更高，适合处理表单类文档：

import fitz

def extract_selected_with_pymupdf(pdf_path):
    selected = []
    doc = fitz.open(pdf_path)
    for page in doc:
        # 获取页面所有绘图对象，筛选非白色填充的圆形（选中状态）
        drawings = page.get_drawings()
        for draw in drawings:
            if draw['fill'] != (1,1,1) and draw['type'] == 'circle':
                # 扩大图形区域，匹配对应文本块
                rect = fitz.Rect(draw['rect'])
                expand_rect = rect + (-5, -5, 5, 5)
                text_blocks = page.get_text("blocks", clip=expand_rect)
                for block in text_blocks:
                    text = block[4].strip()
                    if text and text not in selected:
                        selected.append(text)
    doc.close()
    return selected

# 调用示例
print(extract_selected_with_pymupdf("your_form.pdf"))

3. 扫描版PDF：OCR+图像处理 #

如果是扫描生成的非可编辑PDF，需要结合OpenCV预处理图像，再用OCR提取文本：

import cv2
import pytesseract
import numpy as np
from pdf2image import convert_from_path

def extract_scanned_selected(pdf_path):
    selected = []
    # 将PDF转换为图片
    pages = convert_from_path(pdf_path)
    for page_img in pages:
        img = cv2.cvtColor(np.array(page_img), cv2.COLOR_RGB2BGR)
        gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        # 阈值分割，突出选中的圆点
        _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
        # 检测圆形轮廓
        contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        for cnt in contours:
            area = cv2.contourArea(cnt)
            # 筛选符合单选按钮大小的轮廓
            if 50 < area < 200:
                x, y, w, h = cv2.boundingRect(cnt)
                # 提取按钮右侧的文本区域
                text_region = img[y-5:y+h+5, x+w+5:x+w+300]
                text = pytesseract.image_to_string(text_region, lang='eng').strip()
                if text:
                    selected.append(text)
    return selected

# 调用示例
print(extract_scanned_selected("scanned_form.pdf"))

注意：需提前安装pdf2image、opencv-python，并配置好Tesseract OCR的路径。

4. AcroForm标准表单：直接提取字段值 #

如果PDF是标准的AcroForm表单，无需检测图形，直接提取单选按钮的字段值：

import fitz

def extract_acroform_selected(pdf_path):
    selected = []
    doc = fitz.open(pdf_path)
    for field in doc.widgets():
        # 筛选选中状态的单选按钮
        if field.field_type == fitz.PDF_WIDGET_TYPE_RADIOBUTTON and field.field_value == 1:
            selected.append(field.field_label)
    doc.close()
    return selected

# 调用示例
print(extract_acroform_selected("acroform.pdf"))

内容的提问来源于stack exchange，提问作者riyagarg0597