求可提取PDF精确词间距的Python包，用于词移隐写分析

我之前做过类似的隐写分析任务，刚好能给你一些实用的建议！要获取PDF中单词间的精确间距，**PyMuPDF（也就是fitz库）**是个非常靠谱的选择——它能精准提取PDF文本的位置坐标，完全支持你计算单词间的间距数值。另外pdfplumber也是个不错的备选，API更直观。

用PyMuPDF实现的具体方案 #

首先安装库：

pip install pymupdf

然后是核心代码，它会提取指定页面的所有单词，计算同一行相邻单词的间距：

import fitz  # 导入PyMuPDF

def calculate_word_spaces(pdf_path, target_page=0):
    # 打开PDF文档
    doc = fitz.open(pdf_path)
    page = doc[target_page]
    
    # 获取页面所有单词，每个元素格式：(x0, y0, x1, y1, text, ...)
    # x0=单词左边界x坐标，x1=单词右边界x坐标
    words = page.get_text("words")
    space_list = []
    
    # 遍历相邻单词，计算同一行的间距
    for i in range(len(words) - 1):
        prev_word = words[i]
        next_word = words[i+1]
        
        # 判断两个单词是否在同一行（通过y坐标范围重叠判断）
        if prev_word[1] < next_word[3] and prev_word[3] > next_word[1]:
            # 间距 = 后一个单词左边界 - 前一个单词右边界
            space_width = next_word[0] - prev_word[2]
            space_list.append(round(space_width, 2))  # 保留两位小数，按需调整
    
    doc.close()
    return space_list

# 调用示例
if __name__ == "__main__":
    spaces = calculate_word_spaces("your_target.pdf")
    print("单词间间距列表：", spaces)

转换成你需要的“空格计数”格式 #

你的示例里用下划线代表空格，输出是[1,2,1,...]这类数值——这其实是把实际间距转换成了“等效标准空格数”。你可以先在目标PDF里找一个已知的标准空格，测量它的宽度（比如用上面的代码提取包含单个空格的位置差值），然后把计算出的每个间距除以这个标准宽度，就能得到类似的结果。

比如假设标准空格宽度是6.2，那修改代码里的计算部分：

standard_space_width = 6.2  # 替换成你实际测量的数值
space_count = round(space_width / standard_space_width)
space_list.append(space_count)

备选工具：pdfplumber #

如果你觉得PyMuPDF的坐标逻辑有点绕，pdfplumber的API更贴近自然语言理解，安装和使用如下：

pip install pdfplumber

代码示例：

import pdfplumber

def get_word_spaces_with_pdfplumber(pdf_path, target_page=0):
    with pdfplumber.open(pdf_path) as pdf:
        page = pdf.pages[target_page]
        # 提取单词，y_tolerance控制同一行的判断阈值
        words = page.extract_words(x_tolerance=0, y_tolerance=5)
        space_list = []
        
        for i in range(len(words)-1):
            prev_word = words[i]
            next_word = words[i+1]
            
            # 判断同一行
            if abs(prev_word["top"] - next_word["top"]) < 5:
                space_width = next_word["x0"] - prev_word["x1"]
                space_list.append(round(space_width, 2))
    
    return space_list

这两个工具都能完美满足你的需求，PyMuPDF的处理速度更快，适合大文档；pdfplumber的代码可读性更好，适合快速调试。

内容的提问来源于stack exchange，提问作者dqhuy78