如何检测PDF提取文本的段落？能否通过位置区分文本块？

核心思路 #

PyMuPDF提取的每个文本块（TextBlock）都自带位置信息（bbox边界框），可以通过对比相邻文本块的垂直间距、水平对齐、行高这些维度，精准区分同段落换行和独立文本块，进而划分段落。

具体实现步骤 #

• 提取文本块及位置数据：用PyMuPDF遍历PDF页面，获取每个文本块的bbox（含左上角x0,y0、右下角x1,y1坐标）和文本内容。注意PyMuPDF的坐标原点在页面左下角，y值越大位置越靠上。
• 计算垂直间距判定段落：计算当前块底部y0与下一块顶部y1的差值（因y轴向上，差值为上块y0 - 当前块y1）。若这个间距大于行高的1.5-2倍，则判定为新段落；若间距接近行高，则属于同段落的换行。
• 结合水平对齐辅助判断：如果相邻文本块的左对齐位置（x0）差异极小（比如小于5个单位），且垂直间距符合换行阈值，基本可判定为同段落换行；若左对齐偏移明显，即使间距小，也可能是新段落或列表项。
• 处理特殊排版：
  • 列表项：通常有固定缩进或开头符号（如•、数字），可结合文本开头特征和位置偏移判断。
  • 标题：字号、行高通常更大，垂直间距会远大于普通段落，可单独识别。

示例代码 #

import fitz

def split_into_paragraphs(page):
    # 获取所有文本块，格式为(x0, y0, x1, y1, text, block_no, type)
    blocks = page.get_text("blocks")
    # 按y坐标从大到小排序（页面顶部内容y值更大）
    blocks.sort(key=lambda b: -b[1])
    paragraphs = []
    current_para = []
    base_line_height = None

    for idx, block in enumerate(blocks):
        x0, y0, x1, y1, text, _, _ = block
        current_line_h = y1 - y0
        # 初始化基准行高
        if base_line_height is None:
            base_line_height = current_line_h

        if idx == 0:
            current_para.append(text.strip())
            continue

        # 获取上一个文本块的位置
        prev_block = blocks[idx-1]
        prev_y0 = prev_block[1]
        # 计算两个文本块的垂直间距
        vertical_gap = prev_y0 - y1

        # 判定新段落的条件：间距超过行高1.8倍，或左对齐偏移过大
        if vertical_gap > base_line_height * 1.8 or abs(x0 - prev_block[0]) > 10:
            paragraphs.append("\n".join(current_para))
            current_para = [text.strip()]
            base_line_height = current_line_h
        else:
            current_para.append(text.strip())

    # 添加最后一个段落
    if current_para:
        paragraphs.append("\n".join(current_para))
    
    return paragraphs

# 调用示例
doc = fitz.open("target.pdf")
target_page = doc[0]
result_paragraphs = split_into_paragraphs(target_page)
for para in result_paragraphs:
    print(para)
    print("---段落分割线---")

注意事项 #

• 不同PDF排版差异大，阈值（如1.8倍行高、10单位偏移）需根据实际文档调整。
• 多列排版的PDF，需先判断文本块所属列，再按列分别处理段落。
• 若文本块内部包含多行，可先拆分单行后再进行位置对比。

内容的提问来源于stack exchange，提问作者Anm