PyMuPDF无法识别空白间隔的PDF段落，求替代方案

针对PyMuPDF提取文本时无法识别段落间空白分隔的问题，推荐以下两种可行方案：

方案一：优化PyMuPDF的提取逻辑 #

PyMuPDF的get_text('text')模式会自动压缩多余空白，导致段落边界丢失。改用get_text('blocks')模式可以获取每个文本块的坐标与内容，通过比较相邻文本块的垂直间距判断段落分隔（段落间的空白对应更大的垂直距离）：

import fitz

def extract_paragraphs_with_pymupdf(pdf_path, page_num):
    doc = fitz.open(pdf_path)
    page = doc.load_page(page_num)
    # 获取所有文本块，格式为(x0, y0, x1, y1, text, block_no, type)
    blocks = page.get_text('blocks')
    # 按文本块的垂直位置从上到下排序
    blocks.sort(key=lambda x: x[1])
    
    paragraphs = []
    current_paragraph = []
    # 垂直间距阈值：超过该值则判定为新段落（需根据PDF实际情况调整，单位为点）
    line_spacing_threshold = 15

    for i, block in enumerate(blocks):
        text = block[4].strip()
        if not text:
            continue
        if not current_paragraph:
            current_paragraph.append(text)
        else:
            # 计算当前块与上一个块的垂直间距
            prev_block = blocks[i-1]
            spacing = block[1] - prev_block[2]
            if spacing > line_spacing_threshold:
                paragraphs.append(' '.join(current_paragraph))
                current_paragraph = [text]
            else:
                current_paragraph.append(text)
    # 添加最后一个段落
    if current_paragraph:
        paragraphs.append(' '.join(current_paragraph))
    return paragraphs

# 使用示例
paragraphs = extract_paragraphs_with_pymupdf('IT_past.pdf', 0)
for idx, para in enumerate(paragraphs, 1):
    print(f"段落{idx}:\n{para}\n")

方案二：使用pdfplumber库（更简便） #

pdfplumber专注于PDF的布局解析，能更好保留原始文本的段落结构，提取的文本会自带段落间的空白换行，直接分割即可：

import pdfplumber
import re

def extract_paragraphs_with_pdfplumber(pdf_path, page_num):
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[page_num]
        text = page.extract_text()
        # 按空白行分割段落，兼容多个连续换行的情况
        paragraphs = [para.strip() for para in re.split(r'\n\s*\n', text) if para.strip()]
    return paragraphs

# 使用示例
paragraphs = extract_paragraphs_with_pdfplumber('IT_past.pdf', 0)
for idx, para in enumerate(paragraphs, 1):
    print(f"段落{idx}:\n{para}\n")

如果你的PDF存在特殊排版，pdfplumber还支持获取更精细的行、字符级别的位置信息，方便进一步自定义处理。

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