使用PyMuPDF提取非结构化PDF数据时遇AttributeError问题求助

我正在按照《从非结构化PDF中提取数据》教程使用PyMuPDF提取非结构化PDF数据，作为Python新手，运行代码时出现如下错误：

AttributeError                            Traceback (most recent call last)
<ipython-input-2-7f394b979351> in <module>
      1 first_annots=[]
      2 
----> 3 rec=page1.first_annot.rect
      4 
      5 rec

AttributeError: 'NoneType' object has no attribute 'rect'

运行的代码如下：

import fitz
import pandas as pd 
doc = fitz.open('Mansfield--70-21009048 - ConvertToExcel.pdf')
page1 = doc[0]
words = page1.get_text("words")
words[0]

first_annots=[]

rec=page1.first_annot.rect

rec

#Information of words in first object is stored in mywords

mywords = [w for w in words if fitz.Rect(w[:4]) in rec]

ann= make_text(mywords)

first_annots.append(ann)

def make_text(words):

    line_dict = {} 

    words.sort(key=lambda w: w[0])

    for w in words:  

        y1 = round(w[3], 1)  

        word = w[4] 

        line = line_dict.get(y1, [])  

        line.append(word)  

        line_dict[y1] = line  

    lines = list(line_dict.items())

    lines.sort()  

    return "\n".join([" ".join(line[1]) for line in lines])

print(rec)
print(first_annots)

错误原因及解决方案 #

1. 错误根源
   错误提示'NoneType' object has no attribute 'rect'，说明page1.first_annot的值是None——你的目标PDF页面没有任何注释（Annotation，比如高亮、批注、框选标记等），而教程代码默认页面存在注释，直接调用first_annot.rect就会报错。

2. 针对性解决

   • 情况1：PDF确实没有注释，想提取特定区域文本
     手动定义目标区域的坐标（坐标格式为(x0, y0, x1, y1)，可通过PDF阅读器的坐标工具获取），替换原有的rec=page1.first_annot.rect：

     # 示例：定义一个左上角(100,100)到右下角(500,300)的矩形区域
     rec = fitz.Rect(100, 100, 500, 300)
     

   • 情况2：需要基于注释提取，但PDF无注释
     要么先给PDF添加注释，要么在代码里先判断注释是否存在，避免报错：

     first_annots = []
     # 先检查页面是否有注释
     if page1.first_annot:
         rec = page1.first_annot.rect
         mywords = [w for w in words if fitz.Rect(w[:4]) in rec]
         ann = make_text(mywords)
         first_annots.append(ann)
     else:
         print("当前页面未检测到注释")
     

   • 额外修复：函数定义顺序问题
     原代码中make_text函数定义在调用之后，会触发NameError，需要把函数定义移到调用之前：

     # 先定义make_text函数
     def make_text(words):
         line_dict = {} 
         words.sort(key=lambda w: w[0])
         for w in words:  
             y1 = round(w[3], 1)  
             word = w[4] 
             line = line_dict.get(y1, [])  
             line.append(word)  
             line_dict[y1] = line  
         lines = list(line_dict.items())
         lines.sort()  
         return "\n".join([" ".join(line[1]) for line in lines])
     
     # 再执行后续逻辑
     first_annots=[]
     # ... 其余代码 ...
     

内容的提问来源于stack exchange，提问作者Mech_Saran