使用pdfminer结合reportlab绘制时的文本框bbox重叠问题

问题核心 #

段落存在悬挂缩进时，行边距不一致导致绘制的矩形重叠；全局设置LAParams(line_margin=1.0)会破坏正常段落的文本框识别效果——这是因为line_margin是全局阈值，单一值无法适配不同缩进类型的段落：悬挂缩进段落需要更小的阈值区分独立行，正常段落依赖默认值（通常为0.5）避免行合并。

可行解决方案 #

1. 分段适配行边距参数 #

遍历页面元素时，先判断段落是否为悬挂缩进，再针对性使用不同的LAParams：

from pdfminer.layout import LAParams, LTTextBox, LTTextLine

# 正常段落参数
normal_laparams = LAParams(line_margin=0.5, detect_vertical=True)
# 悬挂缩进段落参数（更小的行边距阈值）
hanging_laparams = LAParams(line_margin=0.2, detect_vertical=True)

# 处理页面布局元素
for element in page_layout:
    if isinstance(element, LTTextBox):
        lines = [line for line in element if isinstance(line, LTTextLine)]
        if len(lines) >= 2:
            # 对比首行与第二行的x坐标差，判断是否为悬挂缩进
            first_x = lines[0].x0
            second_x = lines[1].x0
            # 阈值根据目标PDF实际排版调整，示例为10像素
            if abs(second_x - first_x) > 10:
                # 用悬挂缩进参数重新解析该文本框
                # 此处可添加重新布局解析的逻辑
                pass
            else:
                # 用正常参数处理
                pass

2. 手动修正文本框坐标 #

提取文本框后，对悬挂缩进段落的文本行手动调整y轴范围，强制拉开行间距：

from reportlab.pdfgen import canvas

c = canvas.Canvas("output.pdf")

for text_box in text_boxes:
    lines = text_box.get_textlines()
    prev_bottom_y = None
    for line in lines:
        x0, y0, x1, y1 = line.bbox
        # 若当前行与上一行间距过小，手动调整底部y坐标
        if prev_bottom_y and (prev_bottom_y - y1) < 5:
            y0 = prev_bottom_y - 8
            y1 = prev_bottom_y - 2
        # 绘制矩形
        c.rect(x0, y0, x1 - x0, y1 - y0, stroke=1, fill=0)
        prev_bottom_y = y0

3. 结合文本特征识别悬挂缩进 #

通过文本内容特征（如列表项、引用标记）快速判定悬挂缩进段落，单独处理：

• 识别以-、*或数字序号开头的行，标记为悬挂缩进段落
• 对这类段落的所有文本行，强制设置统一的最小行间距后再绘制矩形

注意事项 #

• 行间距阈值、缩进坐标差需根据目标PDF的实际排版调整，无通用标准值
• 优先采用局部参数调整或坐标修正，避免全局修改line_margin影响正常段落

内容的提问来源于stack exchange，提问作者CAO RUI