如何避免PyMuPDF转HTML时匹配链接文本的普通文本被转为链接？

问题描述 #

使用PyMuPDF编写的PDF转HTML代码存在问题：页面中只要有一处文本是链接（比如"PDF"），其他所有相同内容的普通文本都会被错误转为链接。

原代码问题根源 #

原逻辑仅通过文本内容匹配来识别链接，完全忽略了链接的位置信息——PDF中的链接是和特定矩形区域绑定的，相同文本出现在不同位置时，只有处于链接区域内的才应该被标记为链接。

修复方案 #

核心思路是：收集链接时同时保存其矩形坐标，遍历文本时通过位置重叠判断，仅将处于链接区域内的文本转为链接。

修复后的代码示例 #

1. 获取链接（包含位置信息）

for page in doc:
    links.clear()
    link = page.first_link
    while link:
        h = link.rect.height * 0.2
        smaller = link.rect + (0, h, 0, -h)
        linkText = page.get_textbox(smaller).strip()
        if linkText:
            # 同时保存链接的URI、文本和矩形区域
            links.append({
                "uri": link.uri,
                "text": linkText,
                "rect": link.rect
            })
        link = link.next

2. 匹配链接与文本（基于位置校验）

for block in page.get_text("dict", clip=area)["blocks"]:
    newBlock = True
    if block['type'] == 0:
        for line in block["lines"]:
            for span in line["spans"]:
                span_rect = fitz.Rect(span['bbox'])
                link_found = False
                for link in links:
                    # 检查当前文本span是否与链接区域重叠
                    if span_rect.intersects(link["rect"]):
                        # 双重校验文本匹配，避免位置重叠但文本不符的情况
                        if link["text"] in span['text'] or span['text'] in link["text"]:
                            if span['text'] in link["text"]:
                                htmlContent += f'<a href="{link["uri"]}">{span["text"]}</a>'
                            else:
                                text_parts = span['text'].split(link["text"])
                                htmlContent += f'{text_parts[0]}<a href="{link["uri"]}">{link["text"]}</a>{text_parts[1]}'
                            link_found = True
                            break  # 一个span仅匹配一个链接
                if not link_found:
                    # 无匹配链接时直接添加原文本
                    htmlContent += span['text']

关键优化点 #

• 收集链接时新增保存链接的矩形坐标，建立"内容-位置"的关联
• 通过span_rect.intersects(link["rect"])判断文本是否处于链接区域内，从根源上避免误匹配相同文本
• 添加文本匹配校验，防止位置重叠但文本不符的异常情况
• 增加break逻辑，避免单个文本span被多个链接重复处理

内容的提问来源于stack exchange，提问作者Cai