PDFMiner返回错误RGB颜色值及LTTextHorizontal问题求助

问题核心 #

PDFMiner中graphicstate.ncolor返回的是归一化RGB值（范围0-1），部分PDF因颜色空间定义、渲染状态或代码语法错误，导致非白色颜色值解析异常，同时你提供的代码中存在无效的语法片段，需要先修正。

修复步骤 #

1. 清理无效代码
   移除代码中错误的character.graphicstate[text]([https://stackoverflow.com])部分，该片段属于无效写法，与颜色值获取无关。

2. 正确转换颜色值范围
   ncolor返回的0-1范围归一化值，若需要常用的0-255区间RGB，需对每个分量做转换：

   rgb = tuple(int(c * 255) for c in character.graphicstate.ncolor)
   

3. 排查颜色空间与属性混淆

   • 检查颜色空间：部分PDF使用CMYK、灰度等非RGB空间，可通过character.graphicstate.colorspace查看，PDFMiner会自动转换，但特殊空间可能解析异常；
   • 区分填充色与描边色：ncolor对应文本填充色，scolor对应描边色，确认你需要的是哪种颜色属性，避免混淆。

4. 兼容旧版本属性（针对异常PDF）
   部分PDFMiner版本中，LTChar可能直接提供fill_color或stroke_color属性，可尝试优先获取：

   # 获取填充色
   fill_color = character.fill_color if hasattr(character, 'fill_color') else character.graphicstate.ncolor
   rgb_fill = tuple(int(c * 255) for c in fill_color)
   

修正后的完整代码示例 #

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar

for page_layout in extract_pages(scr_file):
    for element in page_layout:
        if isinstance(element, LTTextContainer):
            fontinfo = set()
            for text_line in element:
                for character in text_line:
                    if isinstance(character, LTChar):
                        fontinfo.add(character.fontname)
                        fontinfo.add(character.size)
                        # 处理填充色并转换为0-255 RGB
                        fill_color = character.graphicstate.ncolor
                        rgb_fill = tuple(int(c * 255) for c in fill_color)
                        fontinfo.add(rgb_fill)
                        # 若需要描边色同理处理
                        stroke_color = character.graphicstate.scolor
                        rgb_stroke = tuple(int(c * 255) for c in stroke_color)
                        fontinfo.add(rgb_stroke)

额外注意事项 #

• 若PDF存在透明层或混合模式，需结合graphicstate.alpha属性调整颜色计算；
• 确保使用最新版pdfminer.six（PDFMiner的维护分支），旧版本可能存在颜色解析BUG，可通过pip install --upgrade pdfminer.six升级。

内容的提问来源于stack exchange，提问作者Shiva Nandan