如何使用PyMuPDF高亮PDF中存在Unicode问题的目标文本块？

核心问题分析 #

你的代码失败主要有两个原因：

• 硬编码文本中的�是Unicode识别失败的占位符，并非PDF页面中的真实字符（实际可能是项目符号如•，对应Unicode\u2022）。
• PDF中的换行、空格排版和你手动编写的\n不一致，精确匹配时无法对应。

解决方案 #

步骤1：确认PDF页面的真实文本内容 #

先打印页面文本的原始表示，明确真实字符和排版：

import fitz

doc = fitz.open("/Users/abc.pdf")
page = doc.load_page(13)
# 用repr()查看转义字符和真实Unicode编码
print(repr(page.get_text()))
doc.close()

运行后你会看到实际的项目符号（比如\u2022）和换行/空格的真实情况。

步骤2：使用正则表达式模糊匹配 #

利用PyMuPDF的正则搜索功能，适配排版差异和未知字符：

import fitz

doc = fitz.open("/Users/abc.pdf")
page = doc.load_page(13)

# 根据步骤1得到的真实字符，构建正则表达式
# \s+匹配任意空白（换行、空格、制表符），\u2022替换占位符�
search_pattern = r"cancer\. Your team should include the following\s+board-certified experts:\s+\u2022 A pulmonologist is a doctor who’s an\s+expert of lung diseases\.\s+\u2022 A thoracic radiologist is a doctor who’s\s+an expert of imaging of the chest"

# 启用正则搜索模式
quads = page.search_for(search_pattern, flags=fitz.TEXT_SEARCH_REGEX, quads=True)

# 批量添加高亮
for quad in quads:
    page.add_highlight_annot(quad)

# 保存修改后的PDF
doc.save("/Users/abc_highlighted.pdf")
doc.close()

步骤3：拆分段落逐个搜索（备选方案） #

如果正则匹配复杂，可将文本拆分为独立段落，分别搜索后合并结果：

import fitz

doc = fitz.open("/Users/abc.pdf")
page = doc.load_page(13)

# 拆分目标文本为独立语义段
search_segments = [
    "cancer. Your team should include the following board-certified experts:",
    "A pulmonologist is a doctor who’s an expert of lung diseases.",
    "A thoracic radiologist is a doctor who’s an expert of imaging of the chest"
]

all_quads = []
for segment in search_segments:
    # 搜索每个段落
    segment_quads = page.search_for(segment, quads=True)
    all_quads.extend(segment_quads)

# 为所有匹配区域添加高亮
for quad in all_quads:
    page.add_highlight_annot(quad)

doc.save("/Users/abc_highlighted.pdf")
doc.close()

内容的提问来源于stack exchange，提问作者Baktaawar