提取PDF文本坐标时Y值不准确的问题求助

核心原因：坐标系统差异 #

PDF.js和PyMuPDF的坐标原点、Y轴方向完全相反：

• PDF.js：原点在页面左上角，Y轴向下递增
• PyMuPDF：原点在页面左下角，Y轴向上递增

这是Y值偏差的最主要原因，其次还要考虑视图缩放、滚动偏移的影响。

分步解决方法 #

1. 坐标系统转换 #

拿到PDF.js的原始页面Y坐标后，用页面高度反向计算得到PyMuPDF兼容的Y值：

# 假设从PDF.js获取的原始页面坐标为pdfjs_x, pdfjs_y，PyMuPDF页面对象为page
page_height = page.rect.height
pymupdf_y = page_height - pdfjs_y

2. 确保获取的是原始页面坐标而非视图坐标 #

如果你的坐标是从PDF.js的视图（Viewport）中获取的屏幕坐标，需要先转换为原始页面坐标：

// 在PDF.js的前端脚本中处理
// 获取当前页面的viewport（需传入当前缩放比例）
const currentScale = pdfViewer.currentScale;
const viewport = pdfPage.getViewport({ scale: currentScale });
// 假设选中区域的视图坐标为view_x, view_y
const [pdfjs_x, pdfjs_y] = viewport.convertToPdfPoint(view_x, view_y);

3. 消除滚动偏移影响 #

如果页面存在滚动，视图坐标会包含滚动偏移，需要先抵消：

// 获取PDF容器的滚动偏移量
const scrollTop = document.querySelector('.pdfViewer').scrollTop;
// 修正视图Y坐标
const corrected_view_y = view_y - scrollTop;
// 再转换为原始页面坐标
const [pdfjs_x, pdfjs_y] = viewport.convertToPdfPoint(view_x, corrected_view_y);

4. 统一页面旋转状态 #

如果PDF存在旋转，PDF.js和PyMuPDF的页面高度计算可能不一致，需要先统一旋转：

• 在PDF.js中：const viewport = pdfPage.getViewport({ scale: 1, rotation: pdfPage.rotation });
• 在PyMuPDF中：page.set_rotation(0)（或与PDF.js一致的旋转角度）后再获取页面高度

校验方法 #

转换后可以用PyMuPDF的page.get_text("words")获取文本块坐标，对比转换后的坐标是否匹配选中区域的文本位置。

内容的提问来源于stack exchange，提问作者Mazze