Блог

Я хочу очистить документ PDF, и мне нужны координаты полей ввода (нижняя левая угловая точка текстового поля). Есть ли способ добиться этого с помощью какой-либо библиотеки python, такой как PyPDF2 или PDFMiner? следующие изображения могут помочь понять проблему

Обычно такие поля представляют собой либо повторение точек, либо подчеркивание. Вы можете извлечь текстовые строки файла PDF с помощью PyMuPDF и использовать выражение регулярного выражения ( import re ) для определения таких повторений, а затем сохранить координаты в список или что-то подобное всякий раз, когда будет обнаружено совпадение.

Приведенный ниже код делает это, за исключением того, что он сохраняет (x0, y0, x1, y1) в качестве координат нижнего левого угла (x0, y0) и верхнего правого угла (x1, y1) — вы можете извлечь те, которые вам нужны.

     def whichFields(self, txtline):
        reg = re.compile(r"(…|..)1 ")
        self.matches.append(reg.finditer(txtline))
        return self.matches

    # Uses PyMuPDF to find box coordinates of the fields in matches[]
    # returns a list of the coordinates in the order which they
    # appear in matches[].
    def whereFields(self):
        global c
        count = 0
        for page in self.doc:
            field_areas = []
            c = self.newCanvas(count)
            page_num = count
            count  = 1
            mts = []
            txtlines = page.getText("text").split("n")  # using doc opened in fitz, splitting all text lines in page
            prev_area = []
            for j in txtlines:
                mts.append(self.whichFields(j))

            # These for loops access the result of the regex search and then ultimately pass
            # the matching strings to searchFor() which returns a list of coordinates of the
            # rectangles in which the searched "fields" are found.
            for data in mts:
                for match in data:
                    for i in match:
                        # extracts the matching string and searches for its rect coordinates.
                        self.areas = page.searchFor(i[1])
                        for area in self.areas:
                            field_areas.append(area)
`