如何利用PHP PdfParser的坐标提取PDF特定数据？求相关函数或最优方案

一、PdfParser是否有直接通过坐标提取文本的函数？ #

Smalot/PdfParser没有内置的直接按XY坐标提取文本的函数，但可以借助getDataTm()返回的数组自行实现坐标筛选逻辑。

getDataTm()返回的数组中，每个元素包含文本内容及对应的排版坐标（索引4为X坐标，索引5为Y坐标）。你可以遍历该数组，根据目标坐标的合理范围筛选出对应文本，示例代码如下：

require_once __DIR__ . '/vendor/autoload.php';
use Smalot\PdfParser\Parser;

$parser = new Parser();
$pdf = $parser->parseFile('pdfFile.pdf');

// 获取第一页的文本及坐标数据
$data = $pdf->getPages()[0]->getDataTm();

// 目标坐标范围（允许小误差，规避PDF坐标精度问题）
$targetXMin = 255;
$targetXMax = 265;
$targetYMin = 115;
$targetYMax = 125;

$extractedText = '';
foreach ($data as $item) {
    $x = $item[4];
    $y = $item[5];
    // 判断坐标是否在目标范围内
    if ($x >= $targetXMin && $x <= $targetXMax && $y >= $targetYMin && $y <= $targetYMax) {
        $extractedText .= $item[0]; // item[0]对应文本内容
    }
}

echo $extractedText;

二、坐标提取方案 vs 正则匹配全文本，哪种更优？ #

两种方案各有优劣，需结合你的PDF场景选择：

• 坐标提取方案优势：适配固定布局的PDF（如标准化表单、固定模板生成的文档），即便目标文本内容格式多变，只要位置固定就能精准提取，不会被其他相似文本干扰。
• 坐标提取方案劣势：若PDF存在排版变动（如不同版本模板调整、页面缩放差异），坐标范围会失效，需重新校准；且需提前获取每个目标字段的坐标范围，前期准备工作量较大。
• 正则匹配方案优势：适配文本格式固定但位置不固定的PDF，无需关注排版位置，只要文本符合正则规则即可匹配；无需校准坐标，实现成本较低。
• 正则匹配方案劣势：若目标文本格式存在变体（如大小写、空格、特殊符号差异），正则表达式需频繁调整；若文档中存在相似格式的无关文本，易出现误匹配。

总结：如果你的PDF是固定模板生成、目标数据位置稳定，优先选坐标提取；如果文本格式有明确规律但位置可能变化，正则匹配更合适。

内容的提问来源于stack exchange，提问作者ThunderBoy