Python 如何使用PDFMiner获取PDF中文本的位置？

PDFMiner的文档中说：

PDFMiner允许用户获取文本在页面中的确切位置

---

然而，我一直无法找到如何做到这一点。PDFMiner的“文档”相当稀少，所以我不知道如何做到这一点

您正在查找每个布局对象上的

bbox

属性。PDFMiner文档中有一些关于的信息，但并没有涵盖所有内容

下面是一个例子：

from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextBox, LTTextLine, LTFigure


def parse_layout(layout):
    """Function to recursively parse the layout tree."""
    for lt_obj in layout:
        print(lt_obj.__class__.__name__)
        print(lt_obj.bbox)
        if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):
            print(lt_obj.get_text())
        elif isinstance(lt_obj, LTFigure):
            parse_layout(lt_obj)  # Recursive


fp = open('example.pdf', 'rb')
parser = PDFParser(fp)
doc = PDFDocument(parser)

rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(doc):
    interpreter.process_page(page)
    layout = device.get_result()
    parse_layout(layout)

---

如果您对单个

LTChar

对象的位置感兴趣，可以递归地解析到

LTTextBox

和

LTTextLine

的子布局对象中，就像上面示例中对

LTFigure

所做的一样。

1）您能解释一下LAParams（）的功能吗？2） 尝试获取文本，然后尝试递归，而不是使用isinstance，这不是更像Python吗？除了LTFigure之外，没有其他类型的容器吗？LAParams包含用于布局分析的参数，该布局分析根据字符的位置将字符合并到单词和行中。您可以传递初始化参数，如line_overlap、char_margin、line_margin、word_margin、Box_flow、detect_vertical。有关说明和默认值，请参见PDFMiner文档。除了

LTFigure

之外，还有

LTTextBox

包含

LTTextLine

，后者依次包含

LTChar

和

LTAnno

。布局分析器有一个层次结构图。

LAParams

实际上只是修改布局分析器使用的参数的一种方法。即使只使用默认参数，也最好传递到

PDFPageAggregator

，否则可能无法执行某些布局分析。您可能可以使我的

parse_布局

函数更具python风格。每个

LT*

对象即使没有任何子对象也应该是可移植的，因此

LTFigure

isinstance检查可能是不必要的。类似地，您可以尝试对所有对象执行

get_text（）

，如果未在该

LT*

对象上实现，则可以捕获失败。可能的