使用AWS Textract处理PDF时OCR遮蔽标记的方向偏移问题

你的问题核心是PDF页面本身带有旋转属性（比如90度），但代码中未处理该属性，导致Textract返回的BoundingBox基于旋转后的图像尺寸，与PDF原页面的坐标系统不匹配，最终出现遮蔽标记偏移。

关键解决步骤 #

1. 获取PDF页面的旋转角度 #

PyMuPDF（fitz）的page对象自带rotation属性，直接返回页面的旋转角度（0、90、180、270），这是解决坐标错位的核心依据。

2. 根据旋转角度调整坐标映射 #

当页面存在旋转时，你传给Textract的JPG图像是旋转后的状态，其宽高与PDF原页面的宽高互换（比如90度旋转后，原宽变高、原高变宽）。需要将Textract返回的BoundingBox坐标转换回PDF原页面的坐标系统。

3. 修改代码逻辑 #

在你的代码中加入旋转处理逻辑，以下是关键修改部分：

for page in doc:   
    fileTotalPages += 1 # 递增页面计数   
    myText = page.get_text().encode("utf8")               
    page.wrap_contents()
    # 获取页面旋转角度
    page_rotation = page.rotation
    pix = page.get_pixmap()   
    page_jpg = pix.tobytes(output = 'jpg') 
    img = np.asarray(bytearray(page_jpg), dtype="uint8")   
    img = cv2.imdecode(img, 0)   
    iHeight, iWidth = img.shape[:2]
    # 隐藏原有文本
    page.add_redact_annot(page.rect, fill = None, text="", text_color = None)  
    page.apply_redactions(images = PDF_REDACT_IMAGE_NONE)

    ocrDict = ocr_page_textract(page, page.number)  
    for item in ocrDict["Blocks"]:    
        if item["BlockType"] == "LINE" or item["BlockType"] == "WORD":      
            ocrText = item["Text"]    
            ocrConf = item["Confidence"]                    
  
            geo = item["Geometry"]   
            box = geo["BoundingBox"]   
            # 根据旋转角度调整坐标计算
            if page_rotation == 90:
                # 页面顺时针旋转90度：Textract的BoundingBox基于旋转后的图像（宽为原高，高为原宽）
                # 转换回原页面坐标
                x0 = box["Top"] * page.rect.width
                y0 = (1 - box["Left"] - box["Width"]) * page.rect.height
                width = box["Height"] * page.rect.width
                height = box["Width"] * page.rect.height
            elif page_rotation == 270:
                # 页面逆时针旋转90度（等同于顺时针270度）
                x0 = (1 - box["Top"] - box["Height"]) * page.rect.width
                y0 = box["Left"] * page.rect.height
                width = box["Height"] * page.rect.width
                height = box["Width"] * page.rect.height
            elif page_rotation == 180:
                # 页面旋转180度
                x0 = (1 - box["Left"] - box["Width"]) * page.rect.width
                y0 = (1 - box["Top"] - box["Height"]) * page.rect.height
                width = box["Width"] * page.rect.width
                height = box["Height"] * page.rect.height
            else:
                # 无旋转，保持原逻辑
                x0 = box["Left"] * page.rect.width
                y0 = box["Top"] * page.rect.height
                width = box["Width"] * page.rect.width
                height = box["Height"] * page.rect.height
            
            x1 = x0 + width   
            y1 = y0 + height
   
            ocrRect = fitz.Rect(x0, y0, x1, y1)  

            textLen = font.text_length(ocrText, fontsize=1)    
            fontSize = ocrRect.width / textLen

            page.insert_text(ocrRect.bl,
                             ocrText,
                             fontsize = fontSize,
                             fontname = "helv",
                             render_mode = 3)

补充说明 #

• Textract的返回结果中，不会直接提供页面旋转信息，因为它只处理传入的图像内容。最可靠的旋转信息来自PDF本身的元数据（即page.rotation）。
• 上述代码针对常见的90、180、270度旋转做了适配，可覆盖绝大多数场景。

内容的提问来源于stack exchange，提问作者REJ