使用PyMuPDF提取PDF文本时，文本提取顺序与视觉布局不符（坐标正确但逻辑顺序错误）

我完全懂你碰到的这个糟心问题！复杂布局的PDF（比如多栏排版、混着表格的文档）经常会出现这种情况——PyMuPDF默认是跟着PDF内部的文本绘制顺序来提取内容的，但这个顺序和我们视觉上的阅读顺序往往完全不搭，哪怕每个文本块的坐标都是准确的。你之前试过的普通按x/y坐标排序之所以没起作用，是因为它太“一刀切”了，没考虑到多栏布局的栏边界，也没区分表格这类特殊元素的内部逻辑。

下面给你几个针对性的解决思路和实操方案：

核心思路：放弃默认顺序，基于坐标做精细化的文本块分组排序 #

既然PDF内部的文本顺序本身就有问题，我们就直接跳过它，把所有文本块拆成最小单元，然后模拟人类的阅读逻辑（先左栏后右栏，先上后下，表格按行/列顺序）来重新排序。

步骤1：获取结构化的文本块数据 #

先用PyMuPDF的page.get_text("dict")获取带坐标的结构化文本，而不是直接取纯文本。这个接口会返回每个文本块的边界框（bbox）、行、字符跨度等信息，方便我们后续处理：

import fitz  # PyMuPDF

doc = fitz.open("你的PDF文件路径.pdf")
page = doc[0]  # 取第一页示例
text_struct = page.get_text("dict")
# 过滤掉非文本块（比如图片、图形）
text_blocks = [block for block in text_struct["blocks"] if block["type"] == 0]

步骤2：针对多栏布局的排序方案 #

如果你的文档是多栏排版，首先要把文本块按“栏”分组，再在每栏内部按垂直顺序排序，最后按栏的顺序拼接：

def sort_multi_column_blocks(page, text_blocks):
    page_width = page.rect.width
    # 这里假设是两栏，可根据实际情况调整，也可以自动聚类x坐标来检测栏数
    column_gap = 50  # 栏之间的间距，可根据你的文档调整
    column_width = (page_width - column_gap) / 2
    
    # 按栏分组
    left_column = []
    right_column = []
    for block in text_blocks:
        bbox = block["bbox"]
        # 用文本块的中心x坐标判断属于哪一栏
        block_center_x = (bbox[0] + bbox[2]) / 2
        if block_center_x < column_width:
            left_column.append(block)
        else:
            right_column.append(block)
    
    # 排序规则：先按顶部y坐标（越靠上越先），再按左侧x坐标（越靠左越先）
    def block_sort_key(block):
        return (block["bbox"][1], block["bbox"][0])
    
    left_column.sort(key=block_sort_key)
    right_column.sort(key=block_sort_key)
    
    # 拼接文本：先左栏后右栏
    sorted_text = ""
    for block in left_column + right_column:
        for line in block["lines"]:
            for span in line["spans"]:
                sorted_text += span["text"] + " "
            sorted_text += "\n"
    return sorted_text

# 使用示例
sorted_result = sort_multi_column_blocks(page, text_blocks)
print(sorted_result)

步骤3：针对表格的特殊处理 #

如果文档里有表格，你可以先用PyMuPDF的page.find_tables()识别表格区域，然后单独对表格内的文本块按行/列排序：

def sort_table_blocks(table):
    # 从表格对象中提取单元格文本，按行优先排序
    sorted_table_text = ""
    for row in table.rows:
        row_text = "\t".join([cell.get_text().strip() for cell in row.cells])
        sorted_table_text += row_text + "\n"
    return sorted_table_text

# 识别页面中的表格
tables = page.find_tables()
for table in tables:
    table_text = sort_table_blocks(table)
    # 可以把表格文本替换到排序后的整体文本中，或者单独处理

额外小技巧 #

如果你不想自己写复杂的排序逻辑，也可以试试PyMuPDF的page.get_text("text", sort=True)参数，但这个参数只是简单按x/y坐标排序，对多栏、表格这类复杂布局的支持有限，还是自定义排序更靠谱。

备注：内容来源于stack exchange，提问作者Phalgun