使用Python Fitz搜索PDF单词时efficiency匹配失败问题求助

我用Python的fitz库（PyMuPDF）在PDF文档中搜索一个单词列表，大多数单词都能正常匹配，但像“efficiency”这类少数单词却无法匹配。我的代码片段如下：

if (len(re.findall(f'\b{phrase.casefold()}s?\b', mpage.casefold(), flags=0))>0) :
     text_instances = page.search_for(phrase, quads=True)

对于“efficiency”，if语句中的正则表达式能成功匹配，但page.search_for()方法却无法找到它。观察发现这个单词里的两个“f”字体不同（见下图），是不是这个原因导致匹配失败？

问题原因 #

没错，就是两个“f”字体不同导致的page.search_for()匹配失败。
fitz的page.search_for()是基于PDF底层的文本块和字符属性做匹配的：如果同一个单词内的字符来自不同的字体（甚至分属不同的文本对象），库会将它们视为不连续的内容，无法识别为完整的单词。而正则匹配是提取页面纯文本后进行的，纯文本已经把不同字体的字符拼接成了完整单词，所以能成功匹配。

解决方案 #

• 方案一：基于page.get_text("words")定位
  先通过page.get_text("words")获取页面所有单词的位置信息，再遍历匹配目标短语：

  import re
  import fitz
  
  target_phrase = "efficiency"
  doc = fitz.open("your_document.pdf")
  page = doc[0]  # 示例取第一页
  
  words = page.get_text("words")  # 返回格式：(x0, y0, x1, y1, text, block_no, line_no, word_no)
  for word_info in words:
      word_text = word_info[4]
      # 匹配目标短语（支持可选的末尾s）
      if re.fullmatch(f'{target_phrase.casefold()}s?', word_text.casefold()):
          print(f"找到匹配：{word_text}，坐标范围：{word_info[:4]}")
  

• 方案二：处理复杂文本场景
  如果需要处理跨行、连字符拆分等复杂情况，可以先提取页面的字符级位置映射（用page.get_text("chars")），再结合正则匹配的文本位置去对应PDF中的坐标，不过实现复杂度更高。
• 特殊情况处理
  如果PDF是扫描件转的OCR文档，字符拆分问题会更普遍，这种情况可能需要重新用OCR工具（比如Tesseract）处理文本后再匹配。

内容的提问来源于stack exchange，提问作者vani