如何使用Python代码将复杂PDF转换为XML/JSON格式

你之前测试的所有库都属于单功能解析组件，本身就没有覆盖全类型PDF元素的设计，不要尝试用单库解决所有需求，按模块拆分处理是目前唯一可行的本地落地方案：

分模块工具选型 #

• 基础文本、内嵌图片、Logo/矢量标签提取：用PyMuPDF(fitz)，你之前大概率只用到了它的纯文本导出接口，它原生支持提取带坐标的文本块、内嵌图片、矢量图形边界框，能先搭好整个结构化输出的骨架。
• 表格数据提取：放弃Tabula、Camelot这类传统表格提取库，换PP-StructureV2，不管是有线表、无线表、跨页混排表，都能输出带合并单元格信息、单元格坐标的结构化结果，对非标准格式表格的识别准确率远高于传统库。
• 数学公式、化学方程式提取：用Pix2Text，本地部署即可识别印刷/手写公式、化学结构式/方程式，直接输出带坐标的LaTeX格式结果，不需要调用付费接口。
• 非结构化零散内容补全：如果是扫描件无原生文本层，搭配PaddleOCR做通用文本识别即可。

落地处理流程 #

1. 用PyMuPDF逐页加载PDF，优先提取原生可解析内容：
   • 文本块记录坐标、字体、字号、内容
   • 内嵌图片记录坐标、二进制内容，可转base64存入JSON/XML，也可存本地后写入引用路径
   • 矢量Logo、标签元素记录坐标、形状、颜色属性
2. 将单页PDF导出为300DPI高清图片，送入PP-StructureV2识别表格，将识别到的表格区域和第一步提取的原生内容做坐标匹配，删除落在表格区域内的零散文本块，替换为结构化表格数据，避免内容重复。
3. 同一张页图送入Pix2Text检测公式、化学方程式，将识别到的LaTeX结果、坐标存入对应节点，同样做坐标去重，删除公式区域内的零散误识别文本。
4. 所有元素按从上到下、从左到右的阅读顺序排序，按照自定义Schema导出为XML或JSON即可。

关键避坑点 #

• 可编辑PDF不要上来就全页OCR，原生内容层的准确率远高于OCR结果，OCR仅用来补原生层无法解析的表格、公式、扫描内容
• 注意坐标体系转换：PyMuPDF默认坐标原点在页面左下角，OCR类模型输出坐标原点在页面左上角，不做转换会出现元素位置错位
• 导出时务必保留每个元素的bbox坐标信息，后续做内容校验、格式修正时可以直接对应到PDF原位置
• 图片提取时注意过滤页面背景、装饰性小图标，避免把无意义的碎图存入结果

基础代码参考（PyMuPDF初始骨架提取） #

import fitz
import json
import base64

doc = fitz.open("target.pdf")
result = {"pages": []}

for page_idx, page in enumerate(doc):
    page_info = {
        "page_no": page_idx + 1,
        "page_width": page.rect.width,
        "page_height": page.rect.height,
        "texts": [],
        "images": [],
        "vector_shapes": []
    }
    # 提取文本块
    text_data = page.get_text("dict", flags=fitz.TEXT_PRESERVE_WHITESPACE)
    for block in text_data["blocks"]:
        if block["type"] == 0:
            for line in block["lines"]:
                for span in line["spans"]:
                    if span["text"].strip():
                        page_info["texts"].append({
                            "bbox": list(span["bbox"]),
                            "content": span["text"],
                            "font": span["font"],
                            "font_size": round(span["size"], 2)
                        })
        elif block["type"] == 1:
            # 提取图片转base64
            img_b64 = base64.b64encode(block["image"]).decode("utf-8")
            page_info["images"].append({
                "bbox": list(block["bbox"]),
                "content": img_b64,
                "ext": block["ext"]
            })
    result["pages"].append(page_info)

# 此处追加表格、公式识别结果的坐标去重、合并逻辑
with open("pdf_structured.json", "w", encoding="utf-8") as f:
    json.dump(result, f, ensure_ascii=False, indent=2)

内容的提问来源于stack exchange，提问作者Raj P