如何在PHP中提取PDF指定区域文本并存储至数据库？

方法1：针对可编辑PDF（原生PDF）提取指定区域文本 #

如果你的发票是原生可编辑PDF，推荐使用**PyMuPDF（fitz）**库，它能精准提取指定坐标范围内的文本：

1. 安装依赖

pip install pymupdf

2. 获取目标区域坐标
   用PDF阅读器（如Adobe Acrobat、Foxit Reader）打开发票PDF，查看黄色高亮区域的**左上角(x1,y1)和右下角(x2,y2)**坐标（PDF坐标系以左下角为原点）。

3. 编写提取脚本

import fitz  # PyMuPDF

def extract_region_text(pdf_path, page_num, rect):
    doc = fitz.open(pdf_path)
    page = doc[page_num]
    # rect格式：(x1, y1, x2, y2)
    text = page.get_text("text", clip=rect)
    doc.close()
    return text.strip()

# 示例：替换为你的PDF路径、页码和目标区域坐标
pdf_path = "your_invoice.pdf"
target_rect = (100, 200, 300, 300)  # 替换为实际坐标
extracted_text = extract_region_text(pdf_path, 0, target_rect)
print(extracted_text)

方法2：针对扫描版PDF（图片型PDF）提取指定区域文本 #

如果发票是扫描生成的图片PDF，需要先提取指定区域的图片，再通过OCR识别文本：

1. 安装依赖

pip install pymupdf pytesseract

同时需本地安装Tesseract OCR引擎，根据你的操作系统下载对应官方版本安装即可。

2. 提取区域图片并OCR识别

import fitz
import pytesseract
from PIL import Image

def extract_region_ocr(pdf_path, page_num, rect):
    doc = fitz.open(pdf_path)
    page = doc[page_num]
    # 提取指定区域的图片
    pix = page.get_pixmap(clip=rect)
    img = Image.frombytes("RGB", [pix.width, pix.height], pix.samples)
    doc.close()
    # OCR识别文本（中文用chi_sim，英文用eng）
    text = pytesseract.image_to_string(img, lang="chi_sim")
    return text.strip()

# 示例调用
pdf_path = "scanned_invoice.pdf"
target_rect = (100, 200, 300, 300)
ocr_text = extract_region_ocr(pdf_path, 0, target_rect)
print(ocr_text)

存入数据库 #

提取到文本后，可使用对应数据库的Python驱动（如sqlite3、psycopg2、pymysql）将数据插入数据库，示例（SQLite）：

import sqlite3

def save_to_db(text):
    conn = sqlite3.connect("invoices.db")
    cursor = conn.cursor()
    # 首次运行创建表
    cursor.execute("CREATE TABLE IF NOT EXISTS invoice_data (id INTEGER PRIMARY KEY AUTOINCREMENT, content TEXT)")
    # 插入数据
    cursor.execute("INSERT INTO invoice_data (content) VALUES (?)", (text,))
    conn.commit()
    conn.close()

# 调用保存
save_to_db(extracted_text)

内容的提问来源于stack exchange，提问作者marco77sa