如何用Python按指定宽度拆分双栏PDF并提取文本？

我完全懂你的困扰——PyPDF2默认是按PDF内部的内容流顺序提取文本，双栏布局下会先把左栏内容全读完再读右栏，结果文本串成一团，根本没法按标题拆分。既然你已经明确了栏宽和页面尺寸，用页面裁剪+逐栏提取的方法就能完美解决这个问题，下面是具体的实现思路和代码：

核心思路 #

PDF的文本提取顺序不遵循视觉排版，但我们可以通过裁剪页面，把原本的双栏页拆成两个单栏的“虚拟页面”，再分别提取每栏的文本。这样就能得到左栏和右栏各自独立的内容，之后按标题拆分就轻松多了。

先明确PDF的坐标规则：原点在页面左下角，单位是用户单位（1/72英寸），所以第一步要把你给出的英寸尺寸转换成这个单位方便计算。

实现步骤 #

1. 单位转换：将英寸尺寸乘以72，转换成PDF标准的用户单位。
2. 定义裁剪区域：根据第一栏宽度，分别设置左栏和右栏的裁剪矩形（格式为[left, bottom, right, top]）。
3. 裁剪并提取文本：遍历PDF的每一页，裁剪出左栏和右栏的虚拟页，分别提取文本。
4. 后续处理：拿到分栏后的文本，就可以按标题拆分或按需合并内容了。

完整代码示例 #

from PyPDF2 import PdfReader, PdfWriter

def extract_two_column_text(pdf_path, left_col_width_inch=2.26, page_width_inch=8, page_height_inch=11):
    # 转换为PDF标准用户单位（1单位 = 1/72英寸）
    user_unit = 72
    left_col_width = left_col_width_inch * user_unit
    page_width = page_width_inch * user_unit
    page_height = page_height_inch * user_unit

    # 读取目标PDF
    reader = PdfReader(pdf_path)
    column_text_results = []

    # 遍历每一页进行分栏处理
    for page_idx, page in enumerate(reader.pages):
        # 定义左栏裁剪区域：[左边界, 下边界, 右边界, 上边界]
        left_crop_rect = [0, 0, left_col_width, page_height]
        # 定义右栏裁剪区域（左边界从左栏宽度开始）
        right_crop_rect = [left_col_width, 0, page_width, page_height]

        # 裁剪左栏页面并提取文本
        left_column_page = page.crop(left_crop_rect)
        left_column_text = left_column_page.extract_text().strip()

        # 裁剪右栏页面并提取文本
        right_column_page = page.crop(right_crop_rect)
        right_column_text = right_column_page.extract_text().strip()

        # 存储当前页的分栏文本结果
        column_text_results.append({
            "page_number": page_idx + 1,
            "left_column": left_column_text,
            "right_column": right_column_text
        })

    return column_text_results

# 使用示例
if __name__ == "__main__":
    target_pdf = "your_two_column_document.pdf"
    extracted_text = extract_two_column_text(target_pdf)

    # 打印测试结果
    for page_data in extracted_text:
        print(f"=== 第 {page_data['page_number']} 页 ===")
        print("左栏文本：\n", page_data['left_column'])
        print("\n右栏文本：\n", page_data['right_column'])
        print("-" * 60)

注意事项 #

• 栏间距微调：如果你的PDF左栏和右栏之间有空白间距，可以调整右栏的左边界值（比如left_col_width + gap_inch * 72），根据实际排版微调即可。
• 文本顺序验证：大部分情况下裁剪后提取的文本顺序是正确的，但如果遇到特殊排版的PDF，可能需要检查提取结果，微调裁剪区域的边界值。
• 标题拆分：现在你已经有了左栏和右栏的独立文本，可以通过匹配左栏中的标题关键词，再对应提取右栏的内容，轻松实现按标题拆分的需求。

内容的提问来源于stack exchange，提问作者ericlighthofmann