使用Python fitz提取PDF项目符号失败问题求助

核心原因分析 #

你遇到的项目符号并非PNG位图，而是矢量图形或特殊字体符号，因此常规的图片提取、文本搜索方法无法捕获它们。

可行的解决方法 #

• 通过PyMuPDF（fitz）提取矢量绘图元素
  PDF中的矢量图形由绘图路径定义，可通过页面的get_drawings()方法获取，再通过尺寸、形状特征筛选项目符号：

  import fitz
  
  doc = fitz.open("target.pdf")
  for page in doc:
      # 获取所有矢量绘图对象
      drawings = page.get_drawings()
      for draw in drawings:
          rect = draw["rect"]
          w, h = rect.x1 - rect.x0, rect.y1 - rect.y0
          # 筛选小尺寸图形（符合项目符号的典型大小）
          if 4 <= w <= 12 and 4 <= h <= 12:
              print(f"找到疑似项目符号，位置：{rect}")
              # 结合附近文本块，关联项目符号与对应内容
              nearby_text = page.get_text("words", clip=rect + fitz.Rect(10,0,200,0))
              print(f"对应文本：{''.join([w[4] for w in nearby_text])}")
  

• 使用pdfplumber进行精准位置匹配
  pdfplumber对PDF元素的位置识别更精细，可同时提取图形与文本，便于关联：

  import pdfplumber
  
  with pdfplumber.open("target.pdf") as pdf:
      for page in pdf.pages:
          # 筛选小尺寸图形
          for shape in page.shapes:
              if shape["width"] <= 12 and shape["height"] <= 12:
                  bbox = shape["bbox"]
                  # 获取图形右侧的文本内容
                  text = page.within_bbox((bbox[2]+5, bbox[1], page.width, bbox[3])).extract_text()
                  if text:
                      print(f"- {text.strip()}")
  

• 检查特殊字体符号
  若项目符号是字体的一部分，可提取文本后搜索Unicode特殊字符（如●、■对应的编码），或通过page.get_fonts()查看是否有符号字体，映射对应字符。

内容的提问来源于stack exchange，提问作者Santiago