使用pypdf 3.7.0提取文本时text matrix(tm)的y坐标错误

问题根源 #

你遇到的Y坐标错误，本质是没结合**变换矩阵(cm)和文本矩阵(tm)**做坐标转换——PDF里的文本最终位置是这两个矩阵组合运算的结果，不能直接用tm的原始值。当cm不是单位矩阵时（比如带平移偏移），直接取tm的Y值必然出错。

具体修复方案 #

1. 搞懂PDF的坐标变换公式 #

PDF用6元素齐次矩阵做坐标变换，cm矩阵[a, b, c, d, e, f]和tm矩阵的前两个元素（文本的原始x、y）计算最终坐标的公式是：

最终X = a * tm_x + c * tm_y + e
最终Y = b * tm_x + d * tm_y + f

另外要注意：PDF默认坐标系原点在页面左下角，如果你的后续操作需要左上角为原点（比如常见的图像/UI坐标系），需要用页面高度（792）减去计算出的Y值。

2. 代码实现修正 #

用PyPDF的layout提取模式获取文本块的cm和tm，然后代入公式计算：

from pypdf import PdfReader

reader = PdfReader("目标文件.pdf")
page = reader.pages[0]
page_height = 792  # 你确认的页面高度

# 以layout模式提取文本，返回带位置信息的TextItem对象
for text_item in page.extract_text(extraction_mode="layout", return_type="text_items"):
    cm = text_item.cm  # 变换矩阵
    tm = text_item.tm  # 文本矩阵
    tm_x, tm_y = tm[0], tm[1]
    
    # 计算最终坐标
    final_x = cm[0] * tm_x + cm[2] * tm_y + cm[4]
    final_y = cm[1] * tm_x + cm[3] * tm_y + cm[5]
    
    # 转换为左上角为原点的坐标系（可选，视你的需求而定）
    final_y_top_origin = page_height - final_y
    
    print(f"文本: {text_item.text}, 修正后X: {final_x:.2f}, 修正后Y(左下角原点): {final_y:.2f}, Y(左上角原点): {final_y_top_origin:.2f}")

3. 验证兼容性 #

当cm是单位矩阵[1,0,0,1,0,0]时，代入公式后最终坐标就是tm的原始值，完全兼容你之前处理正常文件的场景。

内容的提问来源于stack exchange，提问作者Huy Pham