You need to enable JavaScript to run this app. 如何使用lxml解析PyMuPDF提取的XML内容并获取带边界框的PDF文本
优惠活动
大模型
产品
解决方案
定价
更多

如何使用lxml解析PyMuPDF提取的XML内容并获取带边界框的PDF文本

错误原因

XMLSyntaxError: Extra content at the end of the document报错的核心原因是:标准XML文档只能有一个唯一的根节点,你把每页提取的<page>片段直接拼接成字符串后,相当于有多个平级的根节点,不符合XML语法规范,lxml无法直接解析。

解决步骤

1. 修正XML结构

把你拼接好的所有XML片段外面套一层统一的根标签,即可满足XML语法要求。

2. 解析XML并按边界框提取文本

解析完成后通过XPath定位节点,就能批量提取每个文本块的坐标、字体、内容等信息。

完整实现代码

from lxml import etree

# texts为你之前拼接的所有页XML片段的字符串
# 给内容套上统一根节点,修复XML结构问题
fixed_xml = f"<pdf_pages>{texts}</pdf_pages>"

# 初始化parser,加recover=True可兼容PDF导出XML的小格式错误,避免异常
parser = etree.XMLParser(recover=True)
root = etree.fromstring(fixed_xml.encode("utf-8"), parser=parser)

# 按边界框提取所有文本信息
text_blocks = []
# 遍历所有PDF页
for page in root.xpath("//page"):
    page_id = page.get("id")
    page_width = float(page.get("width"))
    page_height = float(page.get("height"))
    # 遍历页内所有文本块
    for block in page.xpath("./block"):
        # 边界框格式为[左x, 下y, 右x, 上y],PDF坐标原点为左下角
        bbox = list(map(float, block.get("bbox").split()))
        x0, y0, x1, y1 = bbox
        # 遍历块内所有行
        for line in block.xpath("./line"):
            line_bbox = list(map(float, line.get("bbox").split()))
            # 遍历行内所有字体节点,提取文本
            for font in line.xpath("./font"):
                font_name = font.get("name")
                font_size = float(font.get("size"))
                text = font.text.strip() if font.text else ""
                if text:
                    text_blocks.append({
                        "page_id": page_id,
                        "page_size": (page_width, page_height),
                        "block_bbox": (x0, y0, x1, y1),
                        "line_bbox": line_bbox,
                        "font_name": font_name,
                        "font_size": font_size,
                        "text": text
                    })

# 结果使用示例:打印所有文本和对应边界框
for item in text_blocks:
    print(f"页码:{item['page_id']} 文本块坐标:{item['block_bbox']} 内容:{item['text']}")

补充说明

如果需要把PDF默认的左下角原点坐标转换为常用的左上角原点坐标,直接用page_height - y坐标值做转换即可。

内容的提问来源于stack exchange,提问作者Vishak Arudhra

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.09 14:27:02