如何通过PyPDF结合高亮坐标与visitor_text提取注释文本？

核心思路 #

要关联高亮注释的QuadPoints坐标和visitor_text回调，需先将高亮区域转换为可判断的边界框，再在遍历文本时检查每个文本片段的坐标是否落在该边界框内。

完整实现代码 #

from pypdf import PdfReader

def extract_highlighted_text(pdf_path):
    reader = PdfReader(pdf_path)
    highlighted_texts = []
    
    for page_num, page in enumerate(reader.pages):
        # 收集当前页面所有高亮区域的边界框
        highlight_bboxes = []
        if "/Annots" in page:
            for annot in page["/Annots"]:
                annot_obj = annot.get_object()
                if annot_obj["/Subtype"] == "/Highlight":
                    quad_points = annot_obj["/QuadPoints"]
                    # 提取所有x、y坐标，计算高亮区域的最小/最大边界
                    xs = quad_points[0::2]
                    ys = quad_points[1::2]
                    x_min, x_max = min(xs), max(xs)
                    y_min, y_max = min(ys), max(ys)
                    highlight_bboxes.append((x_min, x_max, y_min, y_max))
        
        # 遍历页面文本，筛选高亮区域内的内容
        page_highlights = []
        def visitor(text, cm, tm, font_dict, font_size):
            # tm矩阵提供文本位置：tm[4]是x起始坐标，tm[5]是文本基线y坐标
            text_x = tm[4]
            text_y_base = tm[5]
            # 文本垂直覆盖范围：基线到顶部（近似为基线+字体大小）
            text_y_top = text_y_base + font_size
            
            # 检查当前文本是否落在任意高亮区域内
            for (hl_x_min, hl_x_max, hl_y_min, hl_y_max) in highlight_bboxes:
                # 水平：文本起始x在高亮x区间；垂直：文本范围与高亮范围有重叠
                if (hl_x_min <= text_x <= hl_x_max) and (text_y_base <= hl_y_max and text_y_top >= hl_y_min):
                    page_highlights.append(text)
                    break
        
        # 触发文本提取，执行visitor回调
        page.extract_text(visitor_text=visitor)
        if page_highlights:
            highlighted_texts.append(f"第{page_num+1}页高亮文本: {' '.join(page_highlights)}")
    
    return highlighted_texts

# 调用示例
if __name__ == "__main__":
    for segment in extract_highlighted_text("commented.pdf"):
        print(segment)

关键细节说明 #

1. 高亮边界框计算
   QuadPoints是高亮矩形的四个顶点坐标，格式为[x1,y1,x2,y2,x3,y3,x4,y4]。通过提取所有x坐标的最小/最大值、y坐标的最小/最大值，得到高亮区域的矩形边界框，方便后续范围判断。

2. 文本坐标对应
   visitor_text回调中的tm（文本矩阵）：

   • tm[4]：当前文本片段的起始x坐标
   • tm[5]：当前文本片段的基线y坐标（PDF坐标原点在页面左下角，y轴向上）
     文本的垂直覆盖范围近似为[tm[5], tm[5]+font_size]（基线到文本顶部）。

3. 筛选逻辑
   只要文本片段的起始x落在高亮区域的x区间内，且垂直范围与高亮区域有重叠，就判定为高亮文本。这个简化逻辑能覆盖大多数常规高亮场景；如果需要更精确的匹配，可以结合字体宽度计算文本结束x，但PyPDF未直接提供该参数，需额外处理。

内容的提问来源于stack exchange，提问作者TunaFFish