Python PdfMiner-如何获取PDF中包含的每个单词/句子的方向信息？

问题描述

目标： 我想从PDF中提取有关每个单词或句子方向的信息，就像所附的那样。这样做的原因是，我只想从零度方向而不是90,180或270度的方向保留文本。

我正在使用的文档是这样的：text_with_orientation.pdf。

我尝试过的事情： 我尝试的第一件事是使用参数：PDFminer的LAParams的detect_vertical，但这对我没有帮助。

当我尝试：“ detect_vertical = True”时，我将从所有方向获取所有文本，但180度的句子（实际上是反向的）的顺序错误：

*上面第三行
上侧，第二行
这是盒子的上面。 *

当我尝试：“ detect_vertical = False”时，我从一侧到另一侧获取文本，但是我仍然从180度（实际上是反向的）获取文本，但顺序错误。侧面的文字是一个接一个的字符。

由于我只想过滤方向为0度的文本，因此以上内容对我没有帮助。

用于此目的的代码如下：

from pdfminer.high_level import extract_pages 
from pdfminer.layout import LTTextContainer,LAParams

page_info = list(extract_pages('pdfminer/text_with_orientation.pdf',laparams= LAParams(detect_vertical=True ) ) ) 
 
for page in page_info:
    for element in page:
        if isinstance(element,LTTextContainer): 
            print(element.get_text()) 

我尝试的第二件事是从最新级别的PDF布局（LTChar）获取此信息，如下所述：https://pdfminersix.readthedocs.io/en/latest/topic/converting_pdf_to_text.html#working-with-rotated-characters

我为此尝试使用的代码是以下代码，但不幸的是我只能得到：字体名称，字体大小和字符坐标，而不是方向：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer,LAParams,LTChar
 
page_info = list(extract_pages('pdfminer/text_with_orientation.pdf',laparams= LAParams(detect_vertical=True ) ) ) 
for page in page_info:
    for element in page:
        if isinstance(element,LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character,LTChar):
                        print('======================')
                        print('text:',character.get_text()) 
                        print('fontname:',character.fontname[7:])
                        print('size:',character.size)   
                        print('adv:',character.adv)   # textwidth * fontsize * scaling  
                        print('matrix:',character.matrix)  
                        (_,_,x,y) = character.bBox 
                        print('x dim:','and y dim:',y) 
                        print('\n') 

我不想使用的内容

我不想使用Tesseract，因为我已经尝试过了，结果不如使用PDFminer

对此有何建议？

解决方法

经过大量调查，我终于找到了一种方法，可以使用LTChar中包含的矩阵在字符级别上做到这一点。

因此，为了获得所有0度的字符，请执行以下操作：

for page in label_pages:
    for element in page:
        if isinstance(element,LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character,LTChar):
                        if character.matrix[0]>0 :
                            print('======================')
                            print('text:',character.get_text())    
                            print('matrix:',character.matrix)     
                            (_,_,x,y) = character.bbox 
                            print('x dim:','and y dim:',y) 
                            print('\n')