Python 从PDF文件中突出显示的批注提取文本
从昨天开始,我尝试使用python-poppler-qt4从一个pdf中的一些突出显示的注释中提取文本 根据,看起来我必须使用Page.text()方法获取文本,从higlight注释传递一个矩形参数,我使用annotation.boundary()获取该参数。但我只收到空白文本。有人能帮我吗?我复制了下面的代码,并为我正在使用的PDF添加了一个链接。谢谢你的帮助Python 从PDF文件中突出显示的批注提取文本,python,qt,pdf,poppler,Python,Qt,Pdf,Poppler,从昨天开始,我尝试使用python-poppler-qt4从一个pdf中的一些突出显示的注释中提取文本 根据,看起来我必须使用Page.text()方法获取文本,从higlight注释传递一个矩形参数,我使用annotation.boundary()获取该参数。但我只收到空白文本。有人能帮我吗?我复制了下面的代码,并为我正在使用的PDF添加了一个链接。谢谢你的帮助 import popplerqt4 import sys import PyQt4 def main(): doc =
import popplerqt4
import sys
import PyQt4
def main():
doc = popplerqt4.Poppler.Document.load(sys.argv[1])
total_annotations = 0
for i in range(doc.numPages()):
page = doc.page(i)
annotations = page.annotations()
if len(annotations) > 0:
for annotation in annotations:
if isinstance(annotation, popplerqt4.Poppler.Annotation):
total_annotations += 1
if(isinstance(annotation, popplerqt4.Poppler.HighlightAnnotation)):
print str(page.text(annotation.boundary()))
if total_annotations > 0:
print str(total_annotations) + " annotation(s) found"
else:
print "no annotations found"
if __name__ == "__main__":
main()
测试pdf:
看一看,boundary属性似乎以规范化坐标返回此注释的边界矩形。虽然这似乎是一个奇怪的决定,但我们可以通过page.pageSize().width()和.height()值来缩放坐标
import popplerqt4
import sys
import PyQt4
def main():
doc = popplerqt4.Poppler.Document.load(sys.argv[1])
total_annotations = 0
for i in range(doc.numPages()):
#print("========= PAGE {} =========".format(i+1))
page = doc.page(i)
annotations = page.annotations()
(pwidth, pheight) = (page.pageSize().width(), page.pageSize().height())
if len(annotations) > 0:
for annotation in annotations:
if isinstance(annotation, popplerqt4.Poppler.Annotation):
total_annotations += 1
if(isinstance(annotation, popplerqt4.Poppler.HighlightAnnotation)):
quads = annotation.highlightQuads()
txt = ""
for quad in quads:
rect = (quad.points[0].x() * pwidth,
quad.points[0].y() * pheight,
quad.points[2].x() * pwidth,
quad.points[2].y() * pheight)
bdy = PyQt4.QtCore.QRectF()
bdy.setCoords(*rect)
txt = txt + unicode(page.text(bdy)) + ' '
#print("========= ANNOTATION =========")
print(unicode(txt))
if total_annotations > 0:
print str(total_annotations) + " annotation(s) found"
else:
print "no annotations found"
if __name__ == "__main__":
main()
此外,我决定连接.highlightQuads()
,以更好地表示实际突出显示的内容
请注意我在每个四元文本区域添加的显式
在示例文档中,返回的QString
无法直接传递到print()
或str()
,解决方法是使用unicode()
我希望这能像帮助我一样帮助别人
注意:页面旋转可能会影响缩放值,我无法对此进行测试。谢谢,我很难安装popplerqt4,但这非常有效!任何关于安装poppler qt的好教程。我有问题。如果有人在依赖项方面有问题,请使用docker images或Vagrant at提取突出显示的图像