如何从PDF文件获取字符间距与单词间距信息？寻Pymupdf替代库

以下几个工具/库可以满足你提取PDF字符与单词间距的需求：

• PDFPlumber
  这是专注于PDF结构化数据提取的库，能直接获取每个字符的精确边界坐标（x0, y0, x1, y1）。你可以通过计算相邻字符的x坐标差值得到字符间距；单词间距可通过识别空格字符的宽度，或是对比单词首尾字符的间距差来判断。示例代码：

  import pdfplumber
  with pdfplumber.open("target.pdf") as pdf:
      page = pdf.pages[0]
      char_list = page.chars
      for idx in range(1, len(char_list)):
          prev_char = char_list[idx-1]
          curr_char = char_list[idx]
          char_spacing = curr_char["x0"] - prev_char["x1"]
          print(f"字符间距: {char_spacing}")
  

• Poppler（Python绑定）
  Poppler是成熟的开源PDF渲染引擎，通过python-poppler这个Python绑定库，你可以提取每个字符的位置信息，进而计算间距。它能解析PDF的底层文本布局数据，精度较高。

• 手动解析PDF内容流（基于PyMuPDF补充）
  虽然PyMuPDF不直接提供间距数据，但你可以通过page.get_contents()获取PDF的底层内容流，解析其中的Td（文本位置偏移）、Tj（显示文本）等操作符，手动计算字符或单词的间距。这种方法需要你对PDF的内容流语法有基础了解，但能在原库基础上实现需求。

• ReportLab（针对可控PDF场景）
  如果你处理的是自己生成的PDF，ReportLab在生成时可以记录文本布局的间距参数，解析时也能读取这些底层数据，适合生成与解析联动的场景。

内容的提问来源于stack exchange，提问作者user377394