Python 从pdf中提取已知bbox中的文本，PDFQuery太慢

在回答其他问题时，我对PyMuPDF进行了一些探索，但我没有个人/实践经验.在发表这篇文章之前，我对pdf格式一无所知.尽管如此，我仍然可以展示我对一个非常基本的示例的看法，即使用PyMuPDF获取基于位置的单个文本.

此外，您不需要从这些时间推断pdf格式很慢，作者在文档中points this out次:

Performance Note:首次调用pdf.load()运行速度非常慢，因为底层pdfminer库必须将页面上的每个元素与其他元素进行比较.请参阅"缓存"部分，以避免在后续运行中出现这种情况.

pdf格式

import pdfquery

query1 = (176.4, 629.28, 176.4, 629.28)  # "Text 1" in simple.pdf
pdf = pdfquery.pdf格式("simple.pdf")

# query1 = (130, 407, 130, 407)  # Looking for "Gaussian" in more_complicated.pdf
# pdf = pdfquery.pdf格式("more_complicated.pdf")

pdf.load(0)

text1 = pdf.pq('LTTextLineHorizontal:overlaps_bbox("%d, %d, %d, %d")' % query1).text()

print(text1)

PyMuPDF

我仍然不知道如何最好地使用PyMuPDF完成这项任务，但这里有一种方法，至少可以为我提供简单和复杂的目标文本:

from fitz import open as fitz_open, Document, Page, Rect

query1 = Rect(165.6, 165.6, 165.6, 165.6)  # "Text 1" in simple.pdf
doc: Document = fitz_open("simple.pdf")

# query1 = Rect(130, 381, 130, 381)  # Looking for "Gaussian" in more_complicated.pdf
# doc: Document = fitz_open("more_complicated.pdf")

page: Page = doc.load_page(0)

page_dict: dict = page.get_text("dict")

bbox: Rect  # a variable we'll reuse as we work down to our query
text1 = ""  # the text we're looking for with query1

block: dict
for block in page_dict["blocks"]:
    if block["type"] == 1:  # skip, it's an image
        continue

    bbox = Rect(block["bbox"])
    if not bbox.contains(query1):
        continue

    line: dict
    for line in block["lines"]:

        bbox = Rect(line["bbox"])
        if not bbox.contains(query1):
            continue

        span: dict
        for span in line["spans"]:

            bbox = Rect(span["bbox"])
            if not bbox.contains(query1):
                continue

            text1 = span["text"]

print(text1)

分析

(您可能已经注意到，pdf格式和PyMuPDF之间的查询坐标不同，这是因为pdf格式使用左bottom作为原点，而PyMuPDF使用左upper作为原点.)

我还在macOS 12.4上用time命令测量了运行时间；平均运行3次.下面是我对simple运行pdf格式和PyMuPDF的结果.pdf和更复杂的.pdf:

	simple.pdf	more_complicated.pdf
file
pdf格式 timing (s)	0.123	0.258
PyMuPDF timing (s)	0.069	0.070

PyMuPDF几乎同时运行这两个PDF，我认为我们看到pdf格式需要更长的时间来进行这n**2/2个交叉比较.

我想你会放弃很多便利，自己try 做这件事.如果您的PDF是一致的，您可能会调整PyMuPDF并使其正确，但如果它们的创建方式存在差异，则可能需要更长的时间才能正确(即使是这样，因为PDF中的文本具有欺骗性).