如何用Python（pdfminer、minecart等）检测PDF中彩色块的坐标

我之前在处理带彩色高亮表格的PDF提取时，也遇到过和你一样的问题——用minecart检测高亮块坐标确实是个高效的方案，不用全量跑OpenCV。下面给你详细的实现步骤和代码，亲测可用：

1. 先安装依赖 #

首先确保你已经安装了minecart：

pip install minecart

2. 核心：检测彩色高亮块的坐标 #

高亮块在PDF里通常以**填充矩形（filled rectangle）**的形式存在，我们可以通过minecart遍历页面元素，匹配目标颜色来获取坐标。注意minecart的坐标原点在页面左下角，和tabula-py的坐标系统完全兼容，不需要额外转换。

import minecart

def detect_highlight_regions(pdf_path, target_rgb):
    """
    检测PDF中指定颜色的高亮块坐标
    :param pdf_path: PDF文件路径
    :param target_rgb: 目标高亮颜色的RGB元组（范围0-1，比如(1, 0.8, 0.8)对应浅红色）
    :return: 包含页码和bbox的列表，bbox格式为[x0, y0, x1, y1]（左下角到右上角）
    """
    highlight_regions = []
    doc = minecart.Document(open(pdf_path, 'rb'))
    
    for page_idx, page in enumerate(doc.pages):
        # 遍历页面所有图形元素
        for shape in page.shapes:
            # 筛选填充的矩形元素
            if isinstance(shape, minecart.Rectangle) and shape.fill:
                # 匹配颜色（加小容差，避免PDF颜色精度问题）
                color_match = all(abs(c - tc) < 0.05 for c, tc in zip(shape.fill.color, target_rgb))
                if color_match:
                    highlight_regions.append({
                        "page": page_idx + 1,  # tabula页码从1开始
                        "bbox": [shape.x0, shape.y0, shape.x1, shape.y1]
                    })
        # 补充处理文本高亮注释（部分PDF的高亮是annotation而非图形）
        for annot in page.annotations:
            if annot.type == "highlight":
                # 注释的坐标原点通常在左上角，转换为左下角坐标
                rect = annot.rect
                x0, y_top, x1, y_bottom = rect
                y0 = page.height - y_bottom
                y1 = page.height - y_top
                highlight_regions.append({
                    "page": page_idx + 1,
                    "bbox": [x0, y0, x1, y1]
                })
    return highlight_regions

3. 配合tabula-py提取对应区域的表格 #

拿到高亮块的坐标后，直接把bbox传给tabula的area参数，就能精准提取对应区域的表格：

from tabula import read_pdf

# 替换成你的PDF路径和目标高亮颜色
pdf_file = "your_target.pdf"
# 示例：浅红色高亮，你可以通过打印颜色值确认目标颜色（见下方调试技巧）
target_color = (1, 0.8, 0.8)

# 检测高亮区域
regions = detect_highlight_regions(pdf_file, target_color)

# 批量提取表格
extracted_tables = []
for region in regions:
    tables = read_pdf(
        pdf_file,
        pages=region["page"],
        area=region["bbox"],
        pandas_options={"header": 0},  # 根据你的表格结构调整表头设置
        multiple_tables=True
    )
    extracted_tables.extend(tables)

# 输出提取结果
for idx, table in enumerate(extracted_tables):
    print(f"=== 提取的表格 {idx+1} ===")
    print(table)
    print("\n")

调试技巧：确认目标高亮的实际颜色 #

如果找不到高亮块，可能是颜色值匹配错误，你可以先打印页面所有填充矩形的颜色和坐标，确认目标高亮的真实RGB值：

doc = minecart.Document(open(pdf_file, 'rb'))
for page in doc.pages:
    for shape in page.shapes:
        if isinstance(shape, minecart.Rectangle) and shape.fill:
            print(f"颜色：{shape.fill.color}，坐标：({shape.x0}, {shape.y0}) -> ({shape.x1}, {shape.y1})")

内容的提问来源于stack exchange，提问作者xyliu00