Pdfminer转换PDF为HTML时随机改字号的原因及解决方法

问题原因 #

• PDF底层字号与视觉字号不一致：你遇到的那行文本，在PDF底层代码中实际字号可能是9px，但通过缩放变换（如水平/垂直缩放1.11倍）让视觉效果和10px文本一致。pdfminer的pdf2txt.py只会读取PDF字体字典中的原始字号，不会计算缩放后的视觉字号，因此提取出的字号显示为9px。
• pdf2txt.py默认提取逻辑的局限性：它的HTML输出模式优先输出原始字体属性，忽略了PDF中用于调整视觉效果的变换矩阵（CTM），导致字号识别结果和视觉呈现脱节。

解决方案 #

1. 自定义pdfminer提取逻辑，计算视觉字号 #

跳过pdf2txt.py的封装，直接使用pdfminer底层API编写脚本，获取每个文本块的变换矩阵，计算实际显示的视觉字号。示例代码：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams
from pdfminer.converter import PDFPageAggregator

# 初始化资源管理器与解析器
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)

paper_count = 0
with open('input.pdf', 'rb') as fp:
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        layout = device.get_result()
        for elem in layout:
            if hasattr(elem, 'fontsize') and hasattr(elem, 'get_text'):
                # 从变换矩阵提取缩放因子，计算视觉字号
                ctm = elem.transform
                scale_factor = ctm[0]  # 取水平缩放因子（通常与垂直一致）
                visual_fontsize = elem.fontsize * scale_factor
                text_content = elem.get_text().strip()
                # 判断是否符合论文标题条件：视觉字号接近10px且包含连字符
                if 9.8 <= visual_fontsize <= 10.2 and '-' in text_content:
                    paper_count += 1
                    print(f"识别到论文标题：{text_content}")
print(f"总计论文数量：{paper_count}")

2. 换用Poppler工具集的转换命令 #

Poppler的pdftohtml对PDF布局和字号的识别更贴近视觉效果，执行以下命令：

pdftohtml -s input.pdf output.html

-s参数会保留原始布局，转换后的HTML字号更匹配视觉呈现，之后可按原逻辑统计论文数量。

3. 优化统计逻辑，降低对单一字号的依赖 #

不要仅依赖“10px+含连字符”的判断规则，结合更多特征：

• 论文标题通常位于页面固定坐标区间
• 标题文本长度处于特定范围
• 连字符为分隔主题的硬连字符（而非单词中间的软连字符）

这样即使字号识别存在偏差，也能准确统计论文数量。

内容的提问来源于stack exchange，提问作者gamer220