使用pdfquery无法精准匹配PDF题号：如何解决模糊匹配问题

你遇到的问题是:contains()选择器的包含匹配特性导致的——1.30的文本里包含"1.3"，所以会被优先命中。要实现精准匹配，需要直接对比文本内容的完全一致，而不是包含关系。

解决方案：使用filter精准匹配文本 #

修改代码，遍历所有LTTextBoxHorizontal元素，通过filter方法筛选出文本内容与目标题号完全一致的元素（记得去除文本前后的空白字符，避免因PDF排版的空格导致匹配失败）：

def search_terms():
    for q in questions:
        # 筛选文本内容完全匹配目标题号的文本框
        matched_boxes = pdf.pq('LTTextBoxHorizontal').filter(lambda i, e: e.text_content().strip() == q)
        if matched_boxes:
            answer = matched_boxes[0]
            x0 = float(answer.get("x0", 0)) + 350
            y0 = float(answer.get("y0", 0)) 
            x1 = float(answer.get("x1", 0)) + 480
            y1 = float(answer.get("y1", 0)) 
            locations.append((x0, y0, x1, y1))

补充说明 #

如果题号文本后可能紧跟其他内容（比如题目开头的字符），但你只需要匹配题号部分，可以用正则表达式做精确匹配：

import re

def search_terms():
    for q in questions:
        # 用正则精确匹配题号（确保是独立的题号，比如1.3后面没有额外数字）
        pattern = re.compile(f'^{re.escape(q)}$')
        matched_boxes = pdf.pq('LTTextBoxHorizontal').filter(lambda i, e: pattern.match(e.text_content().strip()))
        if matched_boxes:
            answer = matched_boxes[0]
            x0 = float(answer.get("x0", 0)) + 350
            y0 = float(answer.get("y0", 0)) 
            x1 = float(answer.get("x1", 0)) + 480
            y1 = float(answer.get("y1", 0)) 
            locations.append((x0, y0, x1, y1))

这样就能彻底避免"1.3"匹配到"1.30"的问题，确保只选中目标题号对应的文本框。

内容的提问来源于stack exchange，提问作者Genysgwav