如何在Python3中使用PyPDF2仅提取PDF裁剪区域内的文本

你需要将PDF页面拆分为两半并提取每一半的文本，但使用PyPDF2裁剪页面后，提取文本仍会获取到裁剪区域外的内容。你的裁剪和文本提取代码如下：

裁剪代码 #

inputFile = open(PDF_NAME, "rb")
input1 = PyPDF2.PdfFileReader(inputFile)
output = PyPDF2.PdfFileWriter()
numPages = input1.getNumPages()
for i in range(numPages):
    page = input1.getPage(i)
    page.cropBox.lowerRight = (page.cropBox.lowerRight[0]/2, 0)
    output.addPage(page)
out_f = open("output.pdf", "wb")
output.write(out_f)
out_f.close()

文本提取代码 #

f = open(PDF_NAME, 'rb')
pdfReader = PyPDF2.PdfFileReader(f)
pageTexts = []
for i in range(pdfReader.numPages):
    pageObj = pdfReader.getPage(i)
    pageText = pageObj.extractText()
    pageTexts.append(pageText)
f.close()

你的推测完全正确：PyPDF2的cropBox仅修改页面的显示区域，底层的文本内容并没有被真正删除，所以提取文本时仍会拿到全部内容。

解决方案：使用PyMuPDF真正处理页面内容 #

PyMuPDF（又称fitz）可以精准控制页面内容，不管是提取指定区域文本，还是真正删除页面部分内容，都能满足需求。

方法1：直接提取指定区域的文本（无需修改原PDF） #

如果仅需要获取左右两半的文本，不需要生成修改后的PDF，直接针对区域提取即可：

import fitz

PDF_NAME = "your_file.pdf"
doc = fitz.open(PDF_NAME)
left_texts = []
right_texts = []

for page in doc:
    # 获取页面整体尺寸
    page_rect = page.rect
    # 定义左半页区域：从左边缘到页面宽度中点
    left_rect = fitz.Rect(0, 0, page_rect.width/2, page_rect.height)
    # 定义右半页区域：从页面宽度中点到右边缘
    right_rect = fitz.Rect(page_rect.width/2, 0, page_rect.width, page_rect.height)
    
    # 提取对应区域的文本
    left_texts.append(page.get_text(clip=left_rect))
    right_texts.append(page.get_text(clip=right_rect))

doc.close()

# 保存提取结果
with open("left_texts.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(left_texts))
with open("right_texts.txt", "w", encoding="utf-8") as f:
    f.write("\n".join(right_texts))

方法2：生成真正删除部分内容的PDF #

如果需要生成裁剪后且内容彻底移除的PDF，可通过红印删除功能实现：

import fitz

PDF_NAME = "your_file.pdf"
OUTPUT_LEFT = "left_pages.pdf"
OUTPUT_RIGHT = "right_pages.pdf"

# 生成仅保留左半部分的PDF
doc_left = fitz.open(PDF_NAME)
for page in doc_left:
    page_rect = page.rect
    # 标记要删除的右半区域
    delete_rect = fitz.Rect(page_rect.width/2, 0, page_rect.width, page_rect.height)
    page.add_redact_annot(delete_rect)
    page.apply_redactions()
    # 同步设置裁剪框（确保显示范围正确）
    page.set_cropbox(fitz.Rect(0, 0, page_rect.width/2, page_rect.height))
doc_left.save(OUTPUT_LEFT)
doc_left.close()

# 生成仅保留右半部分的PDF
doc_right = fitz.open(PDF_NAME)
for page in doc_right:
    page_rect = page.rect
    # 标记要删除的左半区域
    delete_rect = fitz.Rect(0, 0, page_rect.width/2, page_rect.height)
    page.add_redact_annot(delete_rect)
    page.apply_redactions()
    page.set_cropbox(fitz.Rect(page_rect.width/2, 0, page_rect.width, page_rect.height))
doc_right.save(OUTPUT_RIGHT)
doc_right.close()

说明 #

• get_text(clip=rect)方法会精准提取指定矩形内的文本，完全不会包含区域外内容。
• add_redact_annot配合apply_redactions会真正删除标记区域的内容，生成的PDF中该部分文本彻底消失，后续提取也不会再获取到。

内容的提问来源于stack exchange，提问作者Dean Ogle