使用pdfminer.six提取PDF行序混乱，求解决方法

问题重现 #

原PDF为一道选择题，使用pdfminer.six解析后文本顺序混乱（如选项4、5被插入到选项3与答案提示之间），输出结果如下：

Nr 48. Promująco na rozwój chorób alergicznych i wystąpienie objawów alergii 
działa zwiększenie aktywności/ilości: 

1) limfocytów Th1; 
2) limfocytów Th2; 
3) limfocytów Th17; 
Prawidłowa odpowiedź to: 
B. tylko 2. 
A. 1,4. 

4) IL-5. 
5) IL-12. 

C. 1,3. 

D. 2,4. 

E. 3,5. 

可行解决方法 #

1. 调整pdfminer布局分析参数 #

pdfminer默认布局分析对复杂排版处理不佳，可通过修改LAParams参数强制按垂直位置排序文本块：

from pdfminer.high_level import extract_text
from pdfminer.layout import LAParams

laparams = LAParams(
    line_overlap=0.5,
    char_margin=2.0,
    line_margin=0.5,
    word_margin=0.1,
    boxes_flow=0,  # 设为0表示严格按垂直位置排序，符合从上到下的阅读顺序
    detect_vertical=False
)

text = extract_text("目标PDF文件路径", laparams=laparams)
print(text)

重点关注boxes_flow：0代表优先按文本块垂直位置排序，若为分栏PDF可设为1（按水平顺序）。

2. 自定义文本排序逻辑 #

若默认参数仍无效，可直接获取页面布局元素，按坐标手动排序：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def extract_text_sorted(pdf_path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, laparams=laparams)
    fp = open(pdf_path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    
    sorted_text_total = ""
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        # 获取当前页面的布局对象
        layout = device.cur_item
        # 按文本块顶部y坐标从高到低排序（PDF原点在左下角，y值越大位置越靠上）
        text_blocks = sorted(layout._objs, key=lambda x: (-x.y1, x.x0))
        # 拼接有效文本块
        page_text = '\n'.join([obj.get_text().strip() for obj in text_blocks if hasattr(obj, 'get_text')])
        sorted_text_total += page_text + '\n'
    
    fp.close()
    device.close()
    retstr.close()
    return sorted_text_total

# 使用示例
result = extract_text_sorted("目标PDF文件路径")
print(result)

该方法直接操作PDF布局元素，确保文本按视觉上的从上到下、从左到右顺序排列。

3. 替换工具尝试 #

如果pdfminer始终无法适配该排版，可切换工具：

• PyMuPDF（fitz）：对复杂排版的原生支持更好，默认排序更贴近视觉顺序：

  import fitz
  
  doc = fitz.open("目标PDF文件路径")
  full_text = ""
  for page in doc:
      full_text += page.get_text()
  print(full_text)
  

关于转HTML效果差的说明 #

PDF转HTML时每个单词单独被span包裹，是因为原生PDF中每个字符的位置独立存储，转译时会按字符坐标生成标签，这种情况难以直接优化，不如直接调整文本提取的排序逻辑。

内容的提问来源于stack exchange，提问作者mik.ro