如何使用php或python在pdf文件中查找某个单词的坐标?[已关闭]

g6baxovj  于 2023-04-10  发布在  PHP
关注(0)|答案(2)|浏览(228)

已关闭,此问题需要更focused,目前不接受回答。
**要改进此问题吗?**更新问题,使其仅关注editing this post的一个问题。

4天前关闭。
Improve this question
示例:https://www.africau.edu/images/default/sample.pdf
在这个PDF文件中,我需要在第二页的单词“无聊”的坐标。
我必须得到x=25和y=100这样的值
当我得到这个,我必须把新的文本。
示例:

`$this->pdf = new FPDI();            
$this->pdf->addPage();
$this->pdf->SetFont('Arial','',18);
$this->pdf->SetXY(25, 110);
$this->pdf->Write(5,"Text after boring");`
kiayqfof

kiayqfof1#

在PyMuPDF中没有问题:

import fitz # PyMuPDF
doc = fitz.open()
page = doc.new_page()  # default page format A4
# insert some text starting at point (100, 100)
page.insert_text((100,100), "Hello World out there!")
words = page.get_text("words")
for word in words:
    print(word)
# produces this output:
(100.0, 88.17500305175781, 125.05799865722656, 103.28900146484375, 'Hello', 0, 0, 0)
(128.11599731445312, 88.17500305175781, 156.8369903564453, 103.28900146484375, 'World', 0, 0, 1)
(159.89498901367188, 88.17500305175781, 175.1849822998047, 103.28900146484375, 'out', 0, 0, 2)
(178.24298095703125, 88.17500305175781, 206.36996459960938, 103.28900146484375, 'there!', 0, 0, 3)

每行中的前4个浮点数是后面单词文本的边界框。在字符串后面是块号,块内行号,行内单词号。
.get_text("words")只是六个输出选项中的一个,从简单的文本到每个字符的详细信息,字体,字体和文本特征,书写方向等。

i2byvkas

i2byvkas2#

您可以在记事本中打开该示例,然后非常非常罕见地查看您想要的值。
通常你必须先解压文件。

回答

暂定(实际值见下文)

69.2500 640.8000

然而,这是非常非常罕见的,“感兴趣的词”
A)未拆分为单独的字符或编码。
B)是该行字符串中的第一个单词。
C)处于默认比例和大小(10点),没有任何其他变换。
请注意,Y的值比/MediaBox [0 0 612.0000 792.0000]的值要大
这是因为PDF使用类似于系统的图表,因此方向原点通常位于左下方,因此您的目标可能是左上方的792-640.8 = 151.2

但是,我们可以使用mutool扫描页面以获得实际的B位置

mutool trace sample.pdf 2 |find "glyph" |find "B"
        <g unicode="B" glyph="B" x="236.55995" y="664.704" adv=".667"/>
        <g unicode="B" glyph="B" x="72.03" y="640.8" adv=".667"/>

所以有了这些知识最后

X = 72.03Y = 151.2

相关问题