使用 Python 从 PDF 中的物理坐标返回文本字符串

在过去的几个小时里，我一直在与 Google 和 PDFMiner 的有限文档作斗争，虽然我感觉很接近，但我只是没有得到我需要的东西。我已经经历过http://www.unixuser.org/~euske/python/pdfminer/ http://www.unixuser.org/~euske/python/pdfminer/以及所有三个 YouTube 视频，以便更好地了解 PDF，并且我能够很好地输出原始文本。

我正在编写一个脚本来解析多个 PDF 页面。不幸的是，对于这个项目，我处理的是质量较差的 PDF 文件，我看到的唯一可靠的常量是文本字符串的物理位置完全相同。尽管我已经阅读过可以通过物理坐标提取文本字符串的提示，但我还没有看到一个有效的示例。

有没有人可以阐明如何使用 PDFMiner 完成此操作？如果有明显更好的选择，我愿意接受其他模块，但我需要坚持使用 Python 来编写脚本。

此外，我也尝试过 PyPdf 但没有成功（除了基本文本输出）。

Thanks!

我一直在写一个库来尝试简化这个过程，pdfquery https://github.com/jcushman/pdfquery。要从特定页面的特定位置提取文本，您可以执行以下操作：

pdf = pdfquery.PDFQuery(file)
# load first, third, fourth pages
pdf.load(0, 2, 3) 
# find text between 100 and 300 points from left bottom corner of first page
text = pdf.pq('LTPage[page_index=0] :in_bbox("100,100,300,300")').text() 
# save tree as XML to try to figure out why the last line didn't work the way you expected :)
pdf.tree.write(filename, pretty_print=True)

如果您想在该框中查找单个字符，而不是完全在该框中查找文本行，请将 merge_tags=None 传递给 PDFQuery （默认情况下，它将连续字符合并到单个元素中，以使树不那么荒谬，因此整行将具有位于盒子内）。如果您想查找与框部分重叠的任何内容，请使用 :overlaps_bbox 而不是 :in_bbox。

这基本上是使用 PyQuery 选择器语法从 PDFMiner 布局中获取文本，因此，如果您的文档对于 PDFMiner 来说太混乱，那么它对此也可能太混乱，但至少使用起来会更快。