You need to enable JavaScript to run this app. 如何用Python获取PDF内指定文本的x、y坐标(类Apache PDFBox能力)
优惠活动
大模型
产品
解决方案
定价
更多

如何用Python获取PDF内指定文本的x、y坐标(类Apache PDFBox能力)

对标Apache PDFBox能力的Python PDF文本坐标获取实现

高匹配度库选型(按实际适配度排序)

  • PyMuPDF(导入名fitz):这是Python生态中和Apache PDFBox文本解析、坐标获取能力最接近的库,解析精度、坐标系对齐度完全可以替代PDFBox的同类能力,不需要依赖Java运行环境。
    它支持逐页、逐文本单元提取标准化的边界坐标,返回的坐标基准和PDF官方定义完全一致,不会出现解析偏移。核心实现逻辑是:逐页调用get_text("words")方法,该方法会返回每个独立文本单元的结构化信息,格式为(x0, y0, x1, y1, 文本内容, 块ID, 行ID, 单词ID),你只需要把返回的文本单元和待检索目标做匹配,就能直接拿到对应位置的x、y坐标。
    可直接参考的基础实现:
    import fitz
    
    # 加载目标PDF
    pdf_doc = fitz.open("你的PDF文件路径.pdf")
    target = "some_sample_text"
    
    for page_num, page in enumerate(pdf_doc):
        # 提取当前页所有带坐标的文本单元
        word_units = page.get_text("words")
        for unit in word_units:
            x0, y0, x1, y1, text_content = unit[0], unit[1], unit[2], unit[3], unit[4]
            if text_content == target:
                print(f"匹配到目标文本,所在页码:{page_num+1},坐标范围:x0={x0:.2f}, y0={y0:.2f}, x1={x1:.2f}, y1={y1:.2f}")
    
  • pdfplumber:原生支持文本坐标提取,不管是单字符、单行还是整文本块,抽取时都会携带自带的边界坐标信息,对复杂排版的PDF解析容错性较好,适合需要匹配零散文本的场景。
    实现方式和PyMuPDF类似,加载PDF后逐页调用extract_words()方法,即可拿到每个单词的坐标边界;如果待检索文本跨多个单词块,可以先按页内阅读顺序拼接全量文本,定位到目标文本的字符串偏移位置后,再反向映射回对应的坐标范围即可。
  • pypdf(3.0及以上版本):新版重构了文本解析模块,支持在文本提取时携带坐标元数据,虽然对带复杂样式、嵌套文本框的PDF解析精度略低于前两个库,但对于常规排版的可检索文本PDF,完全可以满足基础的坐标获取需求,依赖体积更小。

重要前提:以上所有方案仅适用于文本型可检索PDF,如果是扫描生成的纯图片PDF,需要先接入OCR模块完成文本识别后才能获取对应坐标——这类场景下即使是Apache PDFBox,也需要联动OCR组件才能实现同类功能。

实际使用的常见避坑点

  • 不要使用旧版PyPDF2,1.x、2.x版本的文本抽取逻辑完全不保留坐标元数据,即使匹配到文本也拿不到位置信息
  • 坐标系对齐:所有对标PDFBox的库默认以PDF页面左下角为坐标原点,如果需要适配屏幕显示常用的左上角原点坐标系,只需用对应页面的总高度减去当前y坐标值,即可完成转换对齐
  • 跨块文本匹配:如果目标文本在PDF排版中被拆分到了多个独立文本块,不要直接做逐单元的硬匹配,需要先按阅读顺序拼接页内全量文本流,定位到目标文本的整体范围后,再映射回对应的块级坐标

内容的提问来源于stack exchange,提问作者Tom

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:2026.11.02 16:54:02