如何按章节从PDF提取文本并输出为JSON格式？

几种靠谱的解决思路 #

• PyMuPDF+规则+语义分析组合拳
  先用PyMuPDF把PDF里的所有文本块提取出来，每个块会带坐标、字体大小、样式这些元数据。像Dart规范这种正式文档，标题一般字号更大、加粗，章节编号也有规律（1、2、3或者1.1、1.2这种）。先筛出符合标题特征的块，再根据上下位置、章节编号的层级关系，把章节的父子结构搭起来。然后把每个标题下面、下一个标题上面的正文文本拼起来，对应到章节的text字段里。
  碰到像“Normative References”这种带子项的章节，直接通过子项的编号（1、2）或者字体/位置特征识别，把它们做成数组元素塞到对应章节下就行。

• 用pdfplumber做精细布局分析
  pdfplumber比PyMuPDF能拿到更细的文本元数据，比如每个单词的位置、字体。你可以用它的extract_words()方法把所有单词的信息提出来，然后按字体大小、位置聚类出标题和正文，再用正则表达式（比如匹配^\d+(\.\d+)*\s+这种章节编号格式）识别层级，自动把正文和对应标题关联起来。这种方法对没有缩进的PDF兼容性更好。

• 轻量深度学习辅助布局分类
  不用搞复杂的Detectron2，直接用layout-parser的预训练出版物模型，就能识别出“标题”“正文”“列表项”这些布局类型。先按页面排序，同一页内按y坐标从上到下排，再根据章节编号的层级把这些元素拼成树状结构，最后把对应文本整理成你要的JSON格式。这种方法比纯规则更稳，能应付各种排版的情况。

简单实现示例（PyMuPDF+规则） #

1. 先提取所有文本块：

   import fitz
   
   doc = fitz.open("Dart.pdf")
   all_blocks = []
   for page in doc:
       # get_text("blocks")返回(x0, y0, x1, y1, text, block_no, type)
       page_blocks = page.get_text("blocks")
       all_blocks.extend(page_blocks)
   

2. 筛选标题：用正则匹配章节编号，再结合字体大小（比如字号>12且加粗）挑出标题块，记录每个标题的位置和层级。
3. 按y坐标排序所有块，遍历每个标题，把下一个标题之前的正文文本拼接起来，作为该章节的内容。
4. 处理子列表章节：识别子项的编号，把它们整理成数组加到对应章节下。

关键注意点 #

• 正式规范文档的章节编号格式很固定，正则表达式是核心，比如^(\d+)\s+([A-Za-z\s]+)匹配一级章节，^(\d+\.\d+)\s+匹配二级章节。
• 跨页章节要注意跟踪当前章节，把跨页的正文都归到上一个章节里。

内容的提问来源于stack exchange，提问作者Tim