问题描述
我正在使用PyMuPDF(顺便说一句很棒的库)来解析PDF文件
但是我需要找出被划掉的单词。
有什么办法吗?
解决方法
PyMUPDF 文档似乎没有讨论划掉(删除),除非在处理注释时,但他们确实讨论了这些“标志”。
bit 0: superscripted (20)
bit 1: italic (21)
bit 2: serifed (22)
bit 3: monospaced (23)
bit 4: bold (24)
所以很可能有一个未在文档中列出的删除代码。
访问这些代码的一种方法是通过使用垃圾邮件标签的 textPage 字典结构。有关这方面的更多信息,请参阅文档中的 6.18.1.4 Span Dictionary
。
我想从文档中提取粗体文本并编写此函数
def get_bold_text_from_PDF_page(page_number):
'''
Function to get bold text from PyMUPDF Page object
Parameters:
PyMUPDF doc generator object
Returns:
list of dictionaries each dictionary contains these fields:
Size,flags,font,color,ascender,decender,text,origin,bbox,page_number
'''
blocks = fitz.Page.get_text(page_number,"dict",flags=11)["blocks"]
page_bold_text_list = []
for block in blocks:
for line in block["lines"]:
for span in line["spans"]:
if span['flags'] == 20: # change the 20 here.
span['page_number'] = page.number
page_bold_text_list.append(span)
print(page_bold_text_list)
return page_bold_text_list
对我来说奇怪的是 20 是大胆的。
这个 Adobe 文档可能值得一读 https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/PDF32000_2008.pdf