如何解决PyPDF裁剪PDF后仍提取到页脚文本的问题？

问题原因 #

你遇到的情况是因为PyPDF默认的裁剪操作仅设置页面的视觉显示范围（CropBox），但PDF底层的文本内容并未被真正移除，提取文本时仍会读取到整个页面的文本流，包括原本在页脚区域的内容。

解决方案1：提取文本时按位置过滤页脚 #

利用PyPDF的layout提取模式获取文本坐标信息，过滤掉页脚区域的内容：

from pypdf import PdfReader

# 读取裁剪后的PDF
reader = PdfReader("裁剪后的文件.pdf")
clean_text = ""

# 自定义页脚y坐标阈值（需根据你的PDF调整，比如页脚都在y<50的区域）
FOOTER_Y_LIMIT = 50

for page in reader.pages:
    # 获取带坐标的文本内容，格式为 "[x1, y1, x2, y2] 文本行"
    layout_text = page.extract_text(extraction_mode="layout")
    filtered_lines = []
    
    for line in layout_text.split("\n"):
        if not line.startswith("["):
            filtered_lines.append(line)
            continue
        
        # 解析行的顶部y坐标（y1）
        pos_str, content = line.split("] ", 1)
        y1 = float(pos_str.split(", ")[1])
        
        # 只保留y坐标高于阈值的内容
        if y1 > FOOTER_Y_LIMIT:
            filtered_lines.append(content)
    
    clean_text += "\n".join(filtered_lines) + "\n"

# 保存处理后的文本
with open("去页脚文本.txt", "w", encoding="utf-8") as f:
    f.write(clean_text)

解决方案2：修改页面尺寸彻底移除页脚内容 #

直接调整页面的MediaBox（PDF的实际内容范围），从根源上剔除页脚区域的内容：

from pypdf import PdfReader, PdfWriter

reader = PdfReader("原始年报.pdf")
writer = PdfWriter()

# 自定义页脚高度（比如每页底部50pt是页脚区域）
FOOTER_HEIGHT = 50

for page in reader.pages:
    # 获取原始页面的尺寸
    mb = page.mediabox
    # 重新定义页面范围，去掉底部页脚
    new_mb = (mb.left, mb.bottom + FOOTER_HEIGHT, mb.right, mb.top)
    # 同步设置MediaBox和CropBox
    page.mediabox = new_mb
    page.cropbox = new_mb
    # 移除可能的注释型页脚
    page.annotations = []
    
    writer.add_page(page)

# 保存彻底裁剪后的PDF
with open("无页脚版年报.pdf", "wb") as f:
    writer.write(f)

# 提取新PDF的文本
new_reader = PdfReader("无页脚版年报.pdf")
final_text = "\n".join([p.extract_text() for p in new_reader.pages])
with open("最终提取文本.txt", "w", encoding="utf-8") as f:
    f.write(final_text)

注意事项 #

1. 阈值参数（FOOTER_Y_LIMIT、FOOTER_HEIGHT）需要根据你的PDF实际尺寸调整，可通过print(page.mediabox)查看页面的宽高数值。
2. 如果页脚是图片格式，需要配合OCR工具（如pytesseract）结合坐标过滤，但针对文本页脚，上述方法足够解决问题。
3. 部分PDF的页脚可能存储在表单域中，可尝试添加page.fields = []来删除。

内容的提问来源于stack exchange，提问作者UviinduR