基于自定义CropBox提取PDF指定区域文本的问题求助

我通过自定义CropBox裁剪PDF后，文件在阅读器中仅显示指定区域，但使用PyPDF2提取文本时仍会获取原页面全部内容，如何实现只提取CropBox指定区域的文本？

现有实现代码 #

1. 打开PDF并获取第一页 #

from PyPDF2 import PdfFileReader, PdfFileWriter
from pathlib import Path


pdf_path = (
     Path.home()     
     / "Documents"
     / "XXX"
     / "XXX.pdf" 
            )

pdf = PdfFileReader(str(pdf_path))
numberpages = pdf.getNumPages() # 获取总页数

first_page = pdf.getPage(0)

2. 创建自定义CropBox并设置坐标 #

# 厘米转英寸：1cm = 0.393700787英寸
inches = 0.393700787

# 厘米单位的坐标(x,y)
lowerLeft_in = (2,8.5)
lowerRight_in = (7,lowerLeft_in[1])
upperLeft_in = (lowerLeft_in[0],9.3)
upperRight_in = (lowerRight_in[0],upperLeft_in[1])

# 转换为PDF的默认单位（1英寸=72点）
lowerLeft = tuple(ti1*72*inches for ti1 in lowerLeft_in)
lowerRight = tuple(ti2*72*inches for ti2 in lowerRight_in)
upperLeft = tuple(ti3*72*inches for ti3 in upperLeft_in)
upperRight = tuple(ti4*72*inches for ti4 in upperRight_in)

first_page.mediaBox.lowerLeft = lowerLeft
first_page.mediaBox.lowerRight = lowerRight
first_page.mediaBox.upperLeft = upperLeft
first_page.mediaBox.upperRight = upperRight

3. 保存裁剪后的PDF #

pdf_writer = PdfFileWriter()
pdf_writer.addPage(first_page)
with Path("cropped.pdf").open(mode="wb") as output_file:
    pdf_writer.write(output_file)

4. 文本提取（问题代码） #

生成的cropped.pdf在阅读器中显示正常，但执行以下代码仍会提取全页文本：

pdf = PdfFileReader("cropped.pdf")
page = pdf.pages[0]
Newtext = page.extract_text() # 提取PDF全部文本
print(Newtext)

解决方案 #

PyPDF2的extract_text()方法不会自动识别CropBox过滤文本——裁剪框仅控制显示区域，原PDF的文本内容并未被删除。要提取指定区域的文本，推荐使用pdfplumber库，它支持按坐标区域精准提取文本，步骤如下：

1. 安装pdfplumber #

pip install pdfplumber

2. 按CropBox区域提取文本 #

复用之前定义的坐标，转换为pdfplumber兼容的区域格式（左、上、右、下），注意pdfplumber的坐标原点在页面左上角，需做对应转换：

import pdfplumber

# 复用厘米转英寸规则和原坐标定义
inches = 0.393700787
lowerLeft_in = (2,8.5)
lowerRight_in = (7,lowerLeft_in[1])
upperLeft_in = (lowerLeft_in[0],9.3)

# 转换为pdfplumber的区域参数：(x0, top, x1, bottom)，单位为点（1英寸=72点）
# 假设页面为A4纸（高度29.7cm），将原左下角y坐标转换为从顶部开始的距离
x0 = lowerLeft_in[0] * inches * 72
top = (29.7 - upperLeft_in[1]) * inches * 72
x1 = lowerRight_in[0] * inches * 72
bottom = (29.7 - lowerLeft_in[1]) * inches * 72

with pdfplumber.open("cropped.pdf") as pdf:
    page = pdf.pages[0]
    # 提取指定区域内的文本
    cropped_text = page.within_bbox((x0, top, x1, bottom)).extract_text()
    print(cropped_text)

补充说明 #

• 若使用非A4尺寸的PDF，需将代码中29.7替换为对应页面的高度（单位：厘米）。
• 若不想依赖第三方库，也可通过PyPDF2的布局模式提取带位置的文本块，再手动过滤坐标在CropBox内的内容，但实现逻辑复杂，不如pdfplumber高效。

内容的提问来源于stack exchange，提问作者RVF