如何用Python逐行提取PDF中单词间的间距？

PDF中的单词间距大多不是通过普通空格字符实现的，而是依靠字符的坐标偏移来控制，这就是isspace()方法失效的原因。要准确提取间距，必须获取文本的精确位置信息，推荐使用**PyMuPDF（fitz）**库，它能直接拿到每个单词的坐标数据。

实现步骤 #

1. 安装依赖
   先安装PyMuPDF库：

   pip install pymupdf
   

2. 核心代码
   下面的代码会逐页、逐行提取单词，并计算相邻单词的间距：

   import fitz
   from itertools import groupby
   
   def extract_word_spaces(pdf_path):
       doc = fitz.open(pdf_path)
       for page_idx in range(len(doc)):
           page = doc[page_idx]
           # 获取所有单词的位置与文本信息，返回格式：(x0, y0, x1, y1, text, block_no, line_no, word_no)
           words = page.get_text("words")
           if not words:
               continue
           # 按「块+行」分组，确保同一行的单词被归为一组
           group_key = lambda word: (word[5], word[6])  # block_no, line_no
           for (block_id, line_id), line_words in groupby(words, key=group_key):
               line_words = list(line_words)
               print(f"第{page_idx+1}页，块{block_id}，行{line_id+1}:")
               # 计算相邻单词的间距
               for i in range(len(line_words)-1):
                   prev_word = line_words[i]
                   curr_word = line_words[i+1]
                   # 间距 = 当前单词左边界x坐标 - 前一个单词右边界x坐标
                   space_width = curr_word[0] - prev_word[2]
                   print(f"  '{prev_word[4]}' 与 '{curr_word[4]}' 的间距: {space_width:.2f} 单位")
       doc.close()
   
   # 调用示例，替换为你的PDF路径
   extract_word_spaces("sample.pdf")
   

关键说明 #

• page.get_text("words")：这是实现的核心，它返回的每个元素包含单词的矩形坐标（左、上、右、下）和文本内容，而非单纯的纯文本，所以能捕捉到PDF中靠坐标实现的间距。
• 间距计算逻辑：通过相邻单词的x坐标差得到间距值，单位与PDF的内部坐标一致（通常为点，1点=1/72英寸）。
• 兼容多种格式：不管是常规排版还是特殊样式的间距（比如加宽、紧缩），只要是可编辑的PDF，都能准确提取。

特殊情况处理 #

如果你的PDF是扫描件（图片型PDF），需要先通过OCR识别文本并获取位置信息，可以结合pytesseract库：先提取PDF中的图片，再对图片做OCR，然后从OCR结果中解析单词位置。这种场景下的代码复杂度会更高，需要额外处理图片提取与OCR的坐标映射。

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