如何在pdfminer中反转倒置文本 解决倒置文本框提取顺序错误问题

pdfminer 仅按PDF绘制顺序返回布局元素，不会自动校正旋转、倒置的文本块。你当前全局用(-b.y1, b.x0)做排序的逻辑，只适配从上到下、从左到右的正向横排文本。180度倒置的文本块，视觉上的顶部实际对应坐标值更小的y轴位置，直接套用正向排序规则就会出现整段行序颠倒的问题。

核心是先判断单个文本块的方向，再匹配对应的排序、拼接规则：

• 遍历文本块内的字符元素，通过字符的变换矩阵matrix判断旋转角度，180度倒置的字符旋转弧度值接近π（允许0.1左右的浮点误差）
• 对正向文本块，保持原有从上到下、从左到右的排序逻辑
• 对倒置文本块，调整行排序为y值升序，同时反转每行的字符顺序，得到正确阅读顺序

修正后的可运行代码如下：

from io import BytesIO
import math
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTContainer, LTTextBox, LTChar, LTTextLine
from pdfminer.pdfinterp import PDFPageInterpreter, PDFResourceManager
from pdfminer.pdfpage import PDFPage


def find_textboxes_recursively(layout_obj):
    if isinstance(layout_obj, LTTextBox):
        return [layout_obj]
    if isinstance(layout_obj, LTContainer):
        boxes = []
        for child in layout_obj:
            boxes.extend(find_textboxes_recursively(child))
        return boxes
    return []


def is_upside_down_textbox(text_box):
    """判断文本块是否为180度倒置"""
    char_count = 0
    upside_down_count = 0
    for element in text_box:
        if isinstance(element, LTTextLine):
            for char in element:
                if isinstance(char, LTChar):
                    char_count += 1
                    # 从变换矩阵计算旋转角度，180度旋转对应角度值接近π
                    rotation = math.atan2(char.matrix[1], char.matrix[0])
                    if abs(abs(rotation) - math.pi) < 0.1:
                        upside_down_count += 1
    # 超过半数字符为倒置则判定为倒置文本块，避免个别特殊字符误判
    return char_count > 0 and upside_down_count / char_count > 0.5


def get_correct_text(text_box, is_upside_down):
    """按文本方向提取正确顺序的文本"""
    lines = [line for line in text_box if isinstance(line, LTTextLine)]
    if is_upside_down:
        # 倒置文本行按y坐标升序排（对应视觉从上到下），每行文本反转顺序
        lines.sort(key=lambda l: l.y0)
        processed_lines = []
        for line in lines:
            line_text = line.get_text().strip()[::-1]
            processed_lines.append(line_text)
        return "\n".join(processed_lines).strip()
    else:
        # 正向文本保持原有y降序、x升序规则
        lines.sort(key=lambda l: (-l.y1, l.x0))
        return "\n".join([line.get_text().strip() for line in lines]).strip()


def inspect_character(doc_binary):
    laparams = LAParams(detect_vertical=True)
    resource_manager = PDFResourceManager()
    device = PDFPageAggregator(resource_manager, laparams=laparams)
    interpreter = PDFPageInterpreter(resource_manager, device)

    for page_num, page in enumerate(PDFPage.get_pages(BytesIO(doc_binary)), 1):
        interpreter.process_page(page)
        layout = device.get_result()
        boxes = find_textboxes_recursively(layout)
        # 块间按整体坐标排序，块内单独根据方向处理内容顺序
        boxes.sort(key=lambda b: (-b.y1, b.x0))

        for box in boxes:
            box_is_upside_down = is_upside_down_textbox(box)
            correct_text = get_correct_text(box, box_is_upside_down)
            print(correct_text)

• 角度判断加0.1的容错值，是为了兼容部分PDF生成时的矩阵浮点计算误差
• 用块内超过半数字符为倒置作为判定条件，能避免个别旋转符号、特殊字符导致的方向误判
• 如果需要处理90度、270度旋转的竖排文本，只需要在方向判断函数里增加对应旋转角度的分支，匹配对应的排序规则即可

内容的提问来源于stack exchange，提问作者Berry Evangeline