如何限制pdfminer仅读取cropbox或mediabox范围内的数据

pdfminer（当前维护版本为pdfminer.six）本身内置了页框裁剪支持，不需要手动做复杂的后处理，按下面的方式配置即可：

1. 原生参数配置（推荐，性能最优） #

PDFPage.get_pages()方法提供了原生的裁剪控制参数，解析阶段就会直接过滤范围外的内容，不会生成多余的布局对象，性能远高于事后遍历过滤：

• 若要仅读取CropBox范围内的内容：保持默认参数即可，也可以显式传入cropbox=True明确规则，这也是pdfminer的默认行为，会自动忽略CropBox裁剪区域外的所有内容
• 若要强制读取完整MediaBox范围的内容、忽略PDF自带的CropBox裁剪设置：调用get_pages()时传入cropbox=False即可

对应修改原示例代码的页面读取行即可：

# 仅读取CropBox范围内容（默认配置，显式传参可读性更高）
pages = PDFPage.get_pages(fp, cropbox=True)

# 切换为仅读取完整MediaBox范围内容
# pages = PDFPage.get_pages(fp, cropbox=False)

注意：如果你使用的是停止维护的旧版原版pdfminer（非pdfminer.six），可能存在CropBox裁剪失效的bug，升级到最新版pdfminer.six即可修复。

2. 自定义范围过滤（适配灵活裁剪需求） #

如果需要自定义裁剪范围，或者需要自己控制过滤逻辑（比如保留和范围部分重叠的内容），可以在遍历布局对象时手动做bbox坐标判断：

• 每个page对象自带cropbox、mediabox属性，直接存储了对应页框的坐标，格式为(x0, y0, x1, y1)，和布局对象的bbox属性格式完全一致
• 拿到目标范围坐标后，判断布局对象的bbox和目标范围的位置关系，过滤不符合要求的对象即可

对应修改后的完整示例代码如下：

from pdfminer.layout import LAParams, LTTextBox
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator


fp = open("my_pdf", 'rb')
rsrcmgr, laparams = PDFResourceManager(), LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
pages = PDFPage.get_pages(fp, cropbox=True)


for page in pages:
    # 读取目标范围，替换为page.mediabox即可使用MediaBox做过滤基准
    target_x0, target_y0, target_x1, target_y1 = page.cropbox
    interpreter.process_page(page)
    layout = device.get_result()
    for lobj in layout:
        if isinstance(lobj, LTTextBox):
            x0, y0, x1, y1 = lobj.bbox
            # 仅保留完全落在目标范围内的文本框，若需要保留部分重叠的内容可调整判断条件
            if not (x0 >= target_x0 and y0 >= target_y0 and x1 <= target_x1 and y1 <= target_y1):
                continue
            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text() 
            print('At %r is text: %s' % ((x, y), repr(text)))

内容的提问来源于stack exchange，提问作者Vricken