如何在Python中提取带坐标的数字化PDF文本片段？

你想要提取PDF中带坐标（边界框）、字体及字号的文本，我结合你试过的工具，给你两个靠谱的解决方案：

一、用pdfminer.six获取完整信息（含边界框） #

你之前用pdfminer.six的high_level模块已经能拿到字体和字号，只需要补充获取边界框的逻辑就行。每个LTTextLine或者LTChar都自带bbox属性，包含了该元素的左下角和右上角坐标（格式为x0, y0, x1, y1）。

这里给你优化后的代码，既能拿到整行文本，也能获取对应的字体、字号和边界框，避免逐字符输出的冗长：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTTextLine

for page_layout in extract_pages("PDF-export-example.pdf"):
    print(f"=== 第 {page_layout.pageid} 页 ===")
    for element in page_layout:
        if isinstance(element, LTTextContainer):
            for text_line in element:
                if isinstance(text_line, LTTextLine):
                    # 获取整行文本
                    line_text = text_line.get_text().strip()
                    if not line_text:
                        continue
                    # 获取边界框（x0:左, y0:下, x1:右, y1:上）
                    bbox = text_line.bbox
                    # 获取该行的字体和字号（取第一个字符的属性，默认整行字体一致）
                    first_char = next(char for char in text_line if isinstance(char, LTChar))
                    font_name = first_char.fontname
                    font_size = first_char.size
                    
                    print(f"文本: {line_text}")
                    print(f"边界框: {bbox}")
                    print(f"字体: {font_name}, 字号: {font_size}\n")

如果需要逐字符的精确坐标，也可以保留逐字符遍历的逻辑，每个LTChar的bbox就是单个字符的边界框。

二、用PyMuPDF（fitz）更简洁高效 #

PyMuPDF是个非常好用的PDF处理库，API更直观，提取文本时能直接拿到每个文本块的位置、字体、字号信息，代码也更简洁：

首先安装库：

pip install pymupdf

然后用以下代码提取：

import fitz  # PyMuPDF

doc = fitz.open("PDF-export-example.pdf")
for page_num in range(len(doc)):
    page = doc[page_num]
    print(f"=== 第 {page_num+1} 页 ===")
    # 获取页面所有文本块，每个块包含文本、边界框、字体等信息
    text_blocks = page.get_text("dict")["blocks"]
    for block in text_blocks:
        if block["type"] == 0:  # 0表示文本块
            for line in block["lines"]:
                for span in line["spans"]:
                    text = span["text"].strip()
                    if not text:
                        continue
                    # 边界框（x0, y0, x1, y1）
                    bbox = span["bbox"]
                    font_name = span["font"]
                    font_size = span["size"]
                    
                    print(f"文本: {text}")
                    print(f"边界框: {bbox}")
                    print(f"字体: {font_name}, 字号: {font_size}\n")
doc.close()

这个方法的优势很明显：

• 输出结构清晰，按「文本块-行-文本段（同字体字号的连续文本）」划分
• 坐标获取直接，API设计更友好
• 处理速度也比pdfminer.six更快

关于你试过的工具补充说明 #

• pdftotext：确实只有布局化的文本输出，不带任何元数据，适合只需要纯文本内容的场景
• PyPDF2：旧版本的文本提取能力较弱，现在推荐用它的继任者pypdf（注意是小写的pypdf），不过即使是pypdf，提取坐标等元数据也不如上面两个工具方便
• tabula-py：专门用于提取PDF中的表格内容，你的示例PDF如果没有表格结构，自然不会有输出，适合特定的表格提取场景

内容的提问来源于stack exchange，提问作者Martin Thoma