如何保留谷歌翻译PDF中叠加译文的位置与页码？

利用poppler套件的pdftotext带参数提取 #

默认pdftotext仅输出纯文本，添加特定参数可保留位置和页码信息：

• 执行命令：pdftotext -bbox-layout text_output_from_google_translate.pdf output_with_positions.txt
  • -bbox-layout参数会为每个文本块添加边界框坐标（左下角X/Y、右上角X/Y），文本按页码分段，能直接对应原PDF的页码和译文位置。输出的TXT文件中，坐标标记与文本绑定，可清晰还原译文在页面的大致位置。

用pdftohtml（poppler套件）生成带位置的可视化文件 #

若需要更直观的位置展示，可使用同属poppler的pdftohtml：

• 执行命令：pdftohtml -noframes text_output_from_google_translate.pdf output_with_positions.html
  • -noframes参数生成无框架的HTML文件，每个译文文本元素会通过style属性标注绝对位置，HTML内会按页码区分内容，可直接在浏览器中查看译文与原页面位置的对应关系，也便于后续二次处理。

借助mupdf套件的mutool提取结构化数据 #

如果需要便于程序解析的结构化格式，可使用mupdf的mutool工具：

• 执行命令：mutool extract -f json text_output_from_google_translate.pdf > output_with_positions.json
  • 输出的JSON文件会按页码划分内容，每个文本块包含bbox（边界框坐标）和text（译文内容）字段，精准对应译文的页码和位置信息，适合后续脚本处理或数据提取。

内容的提问来源于stack exchange，提问作者revher