基于PyMuPDF从PDF中提取图片关联的指定文本的方法

你好！从你的描述来看，你已经顺利用PyMuPDF提取出了PDF里的图片，现在想要精准提取对应Fig. 6.1的完整图注文本（也就是Fig. 6.1 Insect bites. Linear pruritic papules with central crusts demonstrating the “breakfast, lunch, and dinner” sign. Courtesy Antonio Torrelo, MD.这段内容）对吧？我来给你梳理几个可行的解决思路和代码示例。

首先先修正你之前提取图片代码里的一处小细节：原来的xref = img[page_index]应该改成xref = img[0]，因为图片元组的第一个元素才是图片的XREF索引。修正后的提取图片代码如下：

import pymupdf

doc = pymupdf.open('sample.pdf')
page = doc[0]  # 获取目标页面

image_list = page.get_images()
page_index = 0

for image_index, img in enumerate(image_list):
    xref = img[0]  # 正确获取图片的XREF
    pix = pymupdf.Pixmap(doc, xref)

    if pix.n - pix.alpha > 3:  # 处理CMYK格式图片，转成RGB
        pix = pymupdf.Pixmap(pymupdf.csRGB, pix)
    pix.save(f"page_{page_index}-image_{image_index}.png")

接下来是核心的“图片关联文本提取”部分，核心思路是利用图片的位置边界框（BBox）匹配附近的文本块，或者直接定位Fig. 6.1文本并提取后续连续内容，以下是两种具体实现方法：

方法一：通过图片位置匹配对应图注 #

通常PDF里的图注会紧邻图片（上方或下方），我们可以先获取图片的页面坐标范围，再筛选出该范围内的文本块，定位到目标图注：

import pymupdf

doc = pymupdf.open('sample.pdf')
page = doc[0]

# --- 步骤1：提取图片并记录目标图片的边界框 ---
image_list = page.get_images()
target_img_bbox = None  # 存储Fig.6.1对应图片的边界框

for image_index, img in enumerate(image_list):
    xref = img[0]
    pix = pymupdf.Pixmap(doc, xref)
    
    # 获取当前图片的边界框（格式：x0, y0, x1, y1，对应左上角和右下角坐标）
    current_bbox = img[7]
    print(f"图片{image_index}的边界框：{current_bbox}")
    
    # 保存图片（和之前逻辑一致）
    if pix.n - pix.alpha > 3:
        pix = pymupdf.Pixmap(pymupdf.csRGB, pix)
    pix.save(f"page_0-image_{image_index}.png")
    
    # 如果你已经知道哪个是目标图片，可直接赋值，比如假设是第0张图
    target_img_bbox = current_bbox

# --- 步骤2：提取图片附近的图注文本 ---
# 获取页面所有文本块，sort=True确保按阅读顺序排序
text_blocks = page.get_text("blocks", sort=True)
target_fig = "Fig. 6.1"
full_caption = ""
found_target = False

# 定义图片附近的范围：这里假设图注在图片下方200像素内，可根据PDF调整
img_bottom_y = target_img_bbox[3]
caption_y_min = img_bottom_y
caption_y_max = img_bottom_y + 200

for block in text_blocks:
    block_x0, block_y0, block_x1, block_y1, block_text, block_no, block_type = block
    cleaned_text = block_text.strip()
    
    # 如果已经找到目标Fig，就合并后续连续文本块，直到空块或超出范围
    if found_target:
        if not cleaned_text or block_y0 > caption_y_max:
            break
        full_caption += " " + cleaned_text
        continue
    
    # 检查当前文本块是否在图片附近，且包含目标Fig编号
    if caption_y_min < block_y0 < caption_y_max and target_fig in cleaned_text:
        found_target = True
        full_caption = cleaned_text

# 清理文本中的多余换行和空格
full_caption = ' '.join(full_caption.split())
print("提取到的图注文本：")
print(full_caption)

方法二：直接定位Fig.6.1并提取后续文本 #

如果你的PDF中图注是连续的段落（没有被无关文本打断），可以直接定位到包含Fig. 6.1的文本块，再合并后续文本块得到完整内容：

import pymupdf

doc = pymupdf.open('sample.pdf')
page = doc[0]

# 获取按阅读顺序排序的文本块
text_blocks = page.get_text("blocks", sort=True)
target_fig = "Fig. 6.1"
full_caption = ""
found_target = False

for block in text_blocks:
    cleaned_text = block[4].strip()
    
    # 找到目标Fig后，合并后续连续文本
    if found_target:
        # 假设空文本块代表段落结束，可根据实际情况调整判断逻辑
        if not cleaned_text:
            break
        full_caption += " " + cleaned_text
        continue
    
    # 检测是否包含目标Fig编号
    if target_fig in cleaned_text:
        found_target = True
        full_caption = cleaned_text

# 清理格式
full_caption = ' '.join(full_caption.split())
print(full_caption)

注意事项 #

1. 文本块排序：一定要用page.get_text("blocks", sort=True)，否则文本块可能会乱序，导致提取的内容不连贯。
2. 范围调整：如果图注在图片上方，只需把caption_y_min和caption_y_max改成图片顶部的y坐标上下范围即可。
3. 特殊情况处理：如果PDF的图注被拆分成多个零散文本块，或者有干扰文本，可能需要添加更精确的判断（比如检测文本是否包含“Courtesy”这类常见的图注结尾词）。

备注：内容来源于stack exchange，提问作者NPatel