Python中从PDF指定坐标提取文本？pdfminer.six局限解惑

关于pdfminer.six的误解澄清 #

其实pdfminer.six支持按坐标筛选文本，只是默认流程是遍历全页元素，你可以在解析过程中加入坐标判断，只保留目标区域内的文本块，无需全量解析后再过滤，能有效提升效率。

用pdfminer.six实现坐标提取的思路 #

1. 明确目标区域的坐标范围（注意PDF坐标原点通常在左下角，需和你预设的顶部区域坐标做转换）
2. 自定义文本块处理逻辑，遍历页面元素时，检查每个文本块的bbox（边界框）是否与目标区域相交/包含
3. 仅提取符合条件的文本内容，跳过其他区域元素

示例代码：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextBoxHorizontal

def extract_text_from_region(pdf_path, page_num, x0, y0, x1, y1):
    text = ""
    for page_layout in extract_pages(pdf_path, page_numbers=[page_num]):
        for element in page_layout:
            if isinstance(element, LTTextBoxHorizontal):
                # 根据需求调整区域判断逻辑
                if element.bbox[0] >= x0 and element.bbox[1] >= y0 and element.bbox[2] <= x1 and element.bbox[3] <= y1:
                    text += element.get_text()
    return text.strip()

更高效的替代库 #

• PyMuPDF（fitz）：性能远高于pdfminer.six，API简洁，直接支持按矩形区域提取文本：

import fitz

def extract_text_with_pymupdf(pdf_path, page_num, rect):
    doc = fitz.open(pdf_path)
    page = doc[page_num]
    # rect参数格式为(x0, y0, x1, y1)，坐标原点在左下角
    text = page.get_text("text", clip=rect)
    doc.close()
    return text.strip()

• pdfplumber：基于pdfminer.six封装，API更友好，支持按矩形区域提取文本，同时保留布局信息：

import pdfplumber

def extract_text_with_pdfplumber(pdf_path, page_num, x0, y0, x1, y1):
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[page_num]
        text = page.within_bbox((x0, y0, x1, y1)).extract_text()
    return text.strip()

注意事项 #

• 不同PDF的坐标体系可能有差异，确认原点位置（多数为左下角）和单位（通常是点，1点=1/72英寸）
• 若为扫描版PDF（图片格式），上述库无法直接提取文本，需先结合pytesseract做OCR处理

内容的提问来源于stack exchange，提问作者rm717