如何通过命令行提取PDF中带对应页码的高亮文本？

开箱即用工具：pdfannots #

• 原生支持命令行调用，无GUI依赖，Debian/Ubuntu系可直接通过源安装：sudo apt install pdfannots，其他发行版可通过pip安装：pip install pdfannots
• 默认输出即包含高亮文本、对应页码、高亮在页面中的位置信息，无需额外配置。基础使用命令：
  pdfannots 目标文件.pdf
• 支持markdown、json等结构化输出格式，结果可直接重定向保存为文件，例如导出markdown格式结果：
  pdfannots -f markdown 目标文件.pdf > 高亮提取结果.md

高兼容性自定义脚本方案 #

针对特殊编码、带权限限制、格式不规范的PDF，若现成工具提取准确率不足，可基于PyMuPDF实现极简提取脚本，页码匹配准确率接近100%：

1. 安装依赖：pip install pymupdf
2. 新建脚本文件extract_pdf_highlights.py，写入以下代码：

import fitz
import sys

doc = fitz.open(sys.argv[1])
for page_num, page in enumerate(doc, start=1):
    for annot in page.annots():
        # 注释类型编码8对应高亮标注
        if annot.type[0] == 8:
            hl_content = page.get_textbox(annot.rect).strip()
            print(f"页码：{page_num}\n高亮内容：{hl_content}\n---")

3. 命令行调用方式：python extract_pdf_highlights.py 目标文件.pdf

• 可根据自身需求修改代码调整输出格式、过滤无效高亮、支持批量处理文件，灵活度极高。

你之前测试的两款工具确实存在对应缺陷：pdf-highlights-extractor本身基于PyMuPDF封装，仅做了GUI交互层未开放命令行入口；DyAnnotationExtractor的注释解析逻辑未关联页面对象，因此无法返回页码信息。

内容的提问来源于stack exchange，提问作者Wolfhart