如何获取PDF中各内容的具体坐标？基于Smalot\PdfParser的疑问

问题描述 #

作为新手，使用Smalot\PdfParser提取PDF内容时，尝试了getText()、getDetails()、getPages()等基础方法，发现调用$page->getDataTm()返回的数组中包含疑似坐标的数据，但不清楚数组中哪个是X、Y值，也不知道如何针对性提取。已开启DataTm字体信息配置，期望提取后生成包含页面信息、内容坐标（x、y、w、h）及对应文本的TXT输出，目标PDF为多页带表格结构的文档。

已知返回数据示例 #

0 => array:4 [▼
    0 => array:6 [▼
      0 => "1.00055"
      1 => "0"
      2 => "0"
      3 => "1"
      4 => "70.8"
      5 => "760.24"
    ]
    1 => " "
    2 => "R8"
    3 => "12"
  ]
  1 => array:4 [▼
    0 => array:6 [▼
      0 => "1.00055"
      1 => "0"
      2 => "0"
      3 => "1"
      4 => "70.8"
      5 => "745.72"
    ]
    1 => "Column1  Column2  Column3 "
    2 => "R10"
    3 => "12"
  ]

现有代码 #

use Smalot\PdfParser\Parser;
use Smalot\PdfParser\Config;

/* ... */

    protected function getCoordinates($pdfPath)
    {
        // get font details by config
        $config = new Config();
        $config->setDataTmFontInfoHasToBeIncluded(true);
        // get PDF structure
        $parser = new Parser([], $config);
        $pdf = $parser->parseFile($pdfPath);
        $coordinates = [];
        //dd($pdf->getPages()[1]->getDataTm());

        foreach ($pdf->getPages() as $page)
        {
            $page->getDataTm();
            $text = $page->getText();
            //$coordinates = ; // This is where I want to extract it
        }
        return $coordinates;
    }

期望输出格式 #

[Page : 1, width = 1, height = 2]
[x:0, y:3, w: 4, h:5]Column1  Column2  Column3
[x:6, y:7, w: 8, h:5]L1C1  L1C2  L1C3
[x:6, y:7, w: 8, h:5]L2C1  L2C2  L2C3
[x:6, y:7, w: 8, h:5]L3C1  L3C2  L3C3
[x:6, y:7, w: 8, h:5]L4C1  L4C2  L4C3

解决方案 #

1. getDataTm()数组的坐标含义 #

getDataTm()返回的每个子数组中，第一个元素是PDF文本定位用的变换矩阵数组，各索引对应参数：

• 索引4：文本左下角的X坐标
• 索引5：文本左下角的Y坐标
• 索引0：X方向缩放因子（用于计算文本宽度）
• 子数组第3位（索引3）：Y方向缩放因子（通常等于字体大小，即文本高度h）
• 数组第3个元素（$item[3]）：字体大小数值

2. 修改后的提取代码 #

use Smalot\PdfParser\Parser;
use Smalot\PdfParser\Config;

protected function getCoordinates($pdfPath)
{
    $config = new Config();
    $config->setDataTmFontInfoHasToBeIncluded(true);
    $parser = new Parser([], $config);
    $pdf = $parser->parseFile($pdfPath);
    $output = '';

    foreach ($pdf->getPages() as $pageIndex => $page) {
        $pageNum = $pageIndex + 1;
        // 获取页面宽高（从MediaBox参数提取）
        $pageDetails = $page->getDetails();
        $pageWidth = $pageDetails['MediaBox'][2] ?? '未知';
        $pageHeight = $pageDetails['MediaBox'][3] ?? '未知';
        $output .= "[Page : {$pageNum}, width = {$pageWidth}, height = {$pageHeight}]\n";

        // 遍历当前页的DataTm数据
        $dataTmItems = $page->getDataTm();
        foreach ($dataTmItems as $item) {
            $transformMatrix = $item[0];
            $text = trim($item[1]);
            // 跳过空文本条目
            if (empty($text)) continue;

            // 提取基础坐标
            $x = $transformMatrix[4];
            $y = $transformMatrix[5];
            // 获取字体大小，计算文本宽高
            $fontSize = (float)$item[3];
            $xScale = (float)$transformMatrix[0];
            // 近似计算文本宽度：字符数 × 字体大小 × X缩放因子
            $textWidth = strlen($text) * $fontSize * $xScale;
            $textHeight = $fontSize;

            // 格式化坐标行
            $output .= sprintf(
                "[x:%s, y:%s, w: %.2f, h:%.2f]%s\n",
                $x,
                $y,
                $textWidth,
                $textHeight,
                $text
            );
        }
    }

    // 将结果写入TXT文件
    file_put_contents('pdf_content_with_coords.txt', $output);
    return $output;
}

3. 代码说明 #

• 通过$page->getDetails()获取页面的MediaBox参数，得到页面实际宽高
• 遍历getDataTm()的每个条目，提取变换矩阵、文本内容和字体大小
• 文本宽度采用近似计算方式（PDF中精确宽度需考虑字符间距，此为简化方案）
• 过滤空文本，避免生成无效输出行
• 最终将结果写入指定TXT文件，同时返回输出内容便于后续处理

4. 实际输出示例 #

[Page : 1, width = 612, height = 792]
[x:70.8, y:745.72, w: 324.18, h:12.00]Column1  Column2  Column3
[x:70.8, y:730.20, w: 324.18, h:12.00]L1C1  L1C2  L1C3
[x:70.8, y:714.68, w: 324.18, h:12.00]L2C1  L2C2  L2C3
[x:70.8, y:699.16, w: 324.18, h:12.00]L3C1  L3C2  L3C3

内容的提问来源于stack exchange，提问作者Keith Lè