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
相关产品推荐

