Python转换PDF中AutoCAD SHX文本为可搜索文本的坐标定位问题

包含AutoCAD SHX Text的PDF无法直接进行文本搜索，需求是将PDF内所有AutoCAD SHX Text转换为可检索的普通文本，实现PDF全文搜索功能。参考现有注释转文本的实现方案落地时，存在两个核心问题：

• 无法获取文本精准位置，转换后的文本不能和原注释位置完全重合
• 生成的文本相对原文本偏转90度

目前已经实现读取PDF全页面内容、合并生成新PDF的基础功能，现有实现代码如下：

import io,os
import PyPDF2
from PyPDF2 import PdfFileWriter, PdfFileReader
from reportlab.pdfgen import canvas
from reportlab.lib import colors
from reportlab.lib.pagesizes import A4, landscape
from datetime import date, time, datetime,timedelta

def convert_annot(pdf_name):
    pdf = PdfFileReader(open(pdf_name, "rb"))
    numPages = pdf.getNumPages()
    output = PdfFileWriter()

    # 遍历所有页面
    for i in range(0, numPages):
        page = pdf.getPage(i) 
        objs=[]
        try :
            for annot in page['/Annots']:
                obj=annot.getObject()
                if 'AutoCAD SHX Text' in obj.values():
                    print (obj['/Contents'],obj['/Rect'])
                    objs.append(obj)
        
            page_size=pdf.getPage(0).mediaBox.upperRight
            w, h =page_size
            packet = io.BytesIO()
            c = canvas.Canvas(packet,pagesize=landscape(A4))
            c.setFont('Helvetica-Bold',12)
            c.setFillColor(colors.red)
            for obj in objs:
                if '/Contents' in obj:
                    xy=tuple(obj['/Rect'])
                    llx,lly,urx,ury=xy   # 左下角X、左下角Y、右上角X、右上角Y
                    text=obj['/Contents']
                    x1=int(urx)
                    y1=int(lly)
                    c.drawString(x1,y1,text)
            c.save()

            # 缓冲区指针重置到起始位置
            packet.seek(0)
            new_pdf = PdfFileReader(packet)
            page=None
            new_pdf_file_name=None

            # 读取原有PDF页面合并新生成的文本层
            page = pdf.pages[i]
            page.merge_page(new_pdf.pages[0])
            output.add_page(page)
        except :
            page_size=pdf.getPage(0).mediaBox.upperRight
            w, h =page_size
            packet = io.BytesIO()
            c = canvas.Canvas(packet,pagesize=landscape(A4))
            c.setFont('Helvetica-Bold',12)
            c.setFillColor(colors.red)
            for obj in objs:
                if '/Contents' in obj:
                    xy=tuple(obj['/Rect'])
                    llx,lly,urx,ury=xy
                    text=obj['/Contents']
                    x1=int(urx)
                    y1=int(lly)
                    c.drawString(x1,y1,text)
            c.save()
            packet.seek(0)
            new_pdf = PdfFileReader(packet)
            page=None
            new_pdf_file_name=None
            page = pdf.pages[i]
            page.merge_page(new_pdf.pages[0])
            output.add_page(page)

    # 输出最终PDF
    new_pdf_file_name=os.path.splitext(pdf_name)[0]+".annot.pdf"
    outputStream = open(new_pdf_file_name, "wb")
    output.write(outputStream)
    outputStream.close()

if __name__ == '__main__':
    pdf_name='samplePdf.pdf'
    convert_annot(pdf_name)

效果对比 #

• 原始样例PDF：带不可选中、不可搜索的AutoCAD SHX Text注释
  
• 当前代码输出效果：红色的NOTES文本没有和原黑色AutoCAD SHX Text的NOTES位置完全重合
  
• 预期实现效果：转换后的可搜索文本和原注释位置完全对齐
  

现有代码的两个问题不需要额外引入pdfminer就能解决，核心是三个逻辑错误：

1. 页面尺寸硬编码为landscape(A4)，没有和原PDF页尺寸保持一致，这是位置偏移的核心原因
2. 坐标取值错误：现有逻辑取注释矩形的右上角X、左下角Y作为文本绘制起点，正常文本绘制起点应该是矩形的左下角坐标
3. 没有读取注释自带的旋转参数：AutoCAD导出的SHX文本注释会把旋转角度存在/Rotation字段里，直接绘制自然会出现90度偏转
   另外现有代码中try和except块的绘制逻辑完全重复，属于无效冗余，可以直接删除重复分支，只需要在访问annot字段前加存在性判断即可。

修正步骤 #

• 第一步：删除硬编码的A4页面尺寸，创建reportlab画布时直接使用原页面的实际宽高，保证坐标系完全对齐
• 第二步：修正文本绘制坐标，统一取注释矩形的左下角(llx, lly)作为绘制基准点，不要用右上角urx坐标
• 第三步：读取每个注释对象的/Rotation参数，绘制文本前调用canvas的状态保存、平移、旋转方法做对应角度变换，绘制完成后恢复画布状态避免影响其他文本
• 第四步：不要固定写死12号字体，通过注释矩形的高度(ury - lly)动态计算适配的字体大小，避免文本大小和原注释不匹配
• 第五步：正式使用时把文本填充色透明度设为0，绘制的文本会完全透明，不影响原PDF显示效果，同时支持文本搜索选中，和原生可搜索PDF体验完全一致

修正后核心代码片段 #

替换原来遍历objs绘制文本的部分即可：

# 直接取当前页的实际尺寸，不要硬编码A4，也不要固定取第0页尺寸
page_size = page.mediabox.upperRight
w, h = float(page_size[0]), float(page_size[1])
packet = io.BytesIO()
c = canvas.Canvas(packet, pagesize=(w, h))

for obj in objs:
    if '/Contents' not in obj:
        continue
    llx, lly, urx, ury = [float(v) for v in obj['/Rect']]
    text = obj['/Contents']
    # 读取旋转角度，默认0度
    rotation = int(obj.get('/Rotation', 0))
    # 计算适配的字体大小，取矩形高度的0.8倍避免溢出
    font_size = (ury - lly) * 0.8
    c.setFont('Helvetica-Bold', font_size)
    # 测试阶段用半透红色，正式使用把alpha改成0实现隐形文本
    c.setFillColorRGB(1, 0, 0, alpha=0.8)
    
    # 保存画布状态，旋转后恢复避免影响其他文本绘制
    c.saveState()
    # 平移到文本绘制起点
    c.translate(llx, lly)
    # 按注释角度旋转，PDF坐标系y轴向上，旋转方向和常规图像坐标系相反
    c.rotate(rotation)
    # 已经平移到基准点，坐标填(0,0)即可
    c.drawString(0, 0, text)
    c.restoreState()

如果确实需要用pdfminer做二次坐标校验，可以按页面维度提前提取当前页所有文本块的坐标和内容，和注释的/Contents做文本匹配，取重叠度最高的文本块坐标作为绘制基准即可，不需要在遍历注释的循环里重复初始化pdfminer解析器，单页只需要解析一次。

内容的提问来源于stack exchange，提问作者Ejardy