在使用Python解析PDF文件时，有什么方法可以识别出划掉的单词吗？

编程问答 2022-08-14

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 Adob​​e 文档可能值得一读 https://www.adobe.com/content/dam/acom/en/devnet/pdf/pdfs/PDF32000_2008.pdf

parsingparsingpdfpdfpdfpymupdfpython