PDF转XML后如何识别并仅保留原PDF中的可见空格

一、识别XML中的不同空格类型 #

XML里的空格分多种，可通过字符编码或编辑器的「显示不可见字符」功能区分：

• 普通可见空格：Unicode编码U+0020（ASCII 32），就是常规输入的空格，原PDF中可见。
• 非断空格（Non-breaking Space）：U+00A0，XML中常显示为 或看似普通空格，原PDF中用于防止换行但无可见显示。
• 零宽空格（Zero-width Space）：U+200B，XML中为​，完全不可见，仅用于排版换行控制。
• 全角空格：U+3000，XML中为　，是可见的全角空格，若原PDF无此排版则属于非预期内容。

你也可以用Python的ord()函数获取字符的Unicode编码，直接判断空格类型。

二、修改代码保留仅可见空格 #

针对你的PDF转XML代码，添加特殊空格清理逻辑，同时修正原代码的页码处理bug：

import io
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter, HTMLConverter, XMLConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

def convert(case, input_file_path, targetfilepath, pages=None):
    # 修正页码处理：pages为None时处理所有页面，支持单个页码或页码列表
    if pages is None:
        pagenums = set()
    else:
        pagenums = set(pages) if isinstance(pages, (list, tuple)) else {pages}
    
    manager = PDFResourceManager()
    codec = 'utf-8'
    caching = True

    if case == 'text':
        output = io.StringIO()
        converter = TextConverter(manager, output, codec=codec, laparams=LAParams())
    elif case == 'HTML':
        output = io.BytesIO()
        converter = HTMLConverter(manager, output, codec=codec, laparams=LAParams())
    elif case == 'XML':
        output = io.BytesIO()
        converter = XMLConverter(manager, output, codec=codec, laparams=LAParams())
    else:
        raise ValueError("Unsupported conversion type. Choose 'text', 'HTML', or 'XML'.")

    interpreter = PDFPageInterpreter(manager, converter)
    with open(input_file_path, 'rb') as infile:
        for page in PDFPage.get_pages(infile, pagenums, caching=caching, check_extractable=True):
            interpreter.process_page(page)

    convertedPDF = output.getvalue()
    converter.close()
    output.close()

    # 新增：清理XML中的非预期空格
    if case == 'XML':
        converted_str = convertedPDF.decode(codec)
        # 定义特殊空格处理规则：替换或移除不可见空格
        special_space_map = {
            '\u00A0': ' ',    # 非断空格替换为普通空格
            '\u200B': '',     # 零宽空格直接移除
            '\u200C': '',     # 零宽非连接空格
            '\u200D': '',     # 零宽连接空格
            '\u3000': ' '     # 全角空格替换为普通空格（不需要可改为''）
        }
        for space_char, replacement in special_space_map.items():
            converted_str = converted_str.replace(space_char, replacement)
        convertedPDF = converted_str.encode(codec)

    # 写入目标文件
    with open(targetfilepath, 'wb') as convertedFile:
        convertedFile.write(convertedPDF)

# 调用示例
convert('XML', input_file_path, directory_path_xml1, pages=None)

关键修改点： #

1. 修复页码逻辑：原代码set(100)会报错，现在兼容单个页码或页码列表，pages=None时处理所有页面。
2. 空格清理逻辑：将XML内容解码为字符串后，替换/移除不可见的特殊空格，仅保留普通可见空格。
3. 资源管理优化：用with语句管理文件，避免手动关闭遗漏。

三、验证效果 #

处理完成后，你可以：

• 用VS Code等编辑器开启「显示控制字符」选项，确认XML中无不可见空格。
• 用Python读取XML内容，通过ord()检查字符编码，确保仅存在U+0020类型的空格。

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