如何使用PyMuPDF匹配提取出的PDF链接与文本？

PyMuPDF 中 page.get_links() 返回的每个链接对象都包含**边界框（bbox）**信息，这是匹配对应文本的核心依据。下面是两种实用的实现方案：

方案一：精准匹配文本块（适合复杂排版） #

通过 page.get_text("dict") 提取带位置坐标的文本结构，再逐一比对链接边界框与文本块的重叠关系：

import fitz  # PyMuPDF

def match_links_and_text(page):
    # 提取带位置信息的文本字典（包含块、行、字符层级的坐标）
    text_struct = page.get_text("dict")
    links = page.get_links()
    matched_pairs = []
    
    for link in links:
        link_bbox = fitz.Rect(link["from"])
        linked_text = ""
        
        # 遍历所有文本块
        for block in text_struct["blocks"]:
            if block["type"] != 0:  # 跳过非文本块（如图片）
                continue
            for line in block["lines"]:
                for span in line["spans"]:
                    span_bbox = fitz.Rect(span["bbox"])
                    # 判断文本段与链接框是否重叠（可根据需求调整匹配逻辑）
                    if span_bbox.intersects(link_bbox):
                        linked_text += span["text"]
        
        matched_pairs.append({
            "url": link.get("uri"),
            "text": linked_text.strip(),
            "bbox": link["from"]
        })
    return matched_pairs

# 调用示例
doc = fitz.open("target.pdf")
page = doc[0]
results = match_links_and_text(page)
for pair in results:
    print(f"关联文本: {pair['text']}\n对应链接: {pair['url']}\n")

方案二：直接提取链接区域文本（简洁高效） #

利用 page.get_textbox(bbox) 方法，直接传入链接的边界框，提取该区域内的文本，适合常规排版的PDF：

import fitz

def match_links_and_text_simple(page):
    links = page.get_links()
    matched_pairs = []
    for link in links:
        link_bbox = fitz.Rect(link["from"])
        # 提取链接框覆盖的文本
        linked_text = page.get_textbox(link_bbox).strip()
        matched_pairs.append({
            "url": link.get("uri"),
            "text": linked_text,
            "bbox": link["from"]
        })
    return matched_pairs

# 调用示例
doc = fitz.open("target.pdf")
page = doc[0]
results = match_links_and_text_simple(page)
for pair in results:
    print(f"关联文本: {pair['text']}\n对应链接: {pair['url']}\n")

注意事项 #

• 若链接框与文本框不完全对齐，可将 intersects 替换为 contains，或自定义重叠比例阈值来优化匹配精度。
• 对于内部跳转链接（link["kind"] == fitz.LINK_GOTO），可通过 link["page"] link["dest"] 定位目标页面，匹配逻辑与外部链接一致。
• 多列、嵌套排版的PDF建议使用方案一，能更精准捕获每个文本片段。

内容的提问来源于stack exchange，提问作者Cai