使用Python获取PDF文本和图片的精确位置

在处理和分析PDF文档时，获取文本和图片在页面上的精确位置是一个重要的操作。通过确定这些元素的具体坐标，我们可以实现对PDF内容的更精细控制和理解，这对于自动化文档处理、信息提取以及内容重组等工作流程尤为关键。通过Python编程语言，我们可以轻松获取PDF页面上文本及图像的精确坐标，使我们能够在不影响其原有排版的情况下对内容进行操作。本文将介绍如何使用Python获取PDF文本和图片在页面上的位置坐标。

本文所使用的方法需要用到Spire.PDF for Python，PyPI：pip install spire.pdf。

Spire.PDF for Python通过一个起点位于页面左上角的坐标系来处理PDF页面元素的位置，x轴向右延伸，y轴向下延伸。当我们在PDF页面放置文本、图像等内容时，我们可以直接使用x和y两个数值来确定位置。同时，我们也可以使用库中的属性获取指定元素在其页面上的位置。
页面坐标如图所示：

用Python在PDF中查找文本并获取其页面坐标位置

PdfTextFinder类可以帮助我们以指定的查找选项在指定PDF页面中查找文本。查找到指定文本后，我们可以使用PdfTextFragment.Positions[0].X和PdfTextFragment.Positions[0].Y属性访问文本的起始坐标，从而确定其精确位置。
同时，PdfTextFragment类还提供Text、TextStates[].FontSize以及TextStates[].FontName属性来获取文本的更多信息，从而方便开发者对文本进行完全复制等操作。
以下是使用Python获取PDF文本的页面坐标位置的操作步骤示例：

1. 导入所需模块：PdfDocument、PdfTextFinder、PdfTextFindOptions和TextFindParameter。
2. 创建PdfDocument实例，使用PdfDocument.LoadFromFile()方法载入用于操作的PDF文档。
3. 使用PdfDocument.Pages.get_Item()获取指定页面页面，或循环文档所有页面循环页面。
4. 使用页面创建PdfTextFinder实例。
5. 创建PdfTextFindOptions实例，通过PdfTextFindOptions.Parameter属性，使用TextFindParameter指定查找选项。
6. 通过PdfTextFinder.Options应用查找选项。
7. 使用PdfTextFinder.Find(str: text)方法在页面上查找指定文本。
8. 判断是否有查找结果。如果有，则遍历查找结果，使用PdfTextFragment.Positions[0].X和PdfTextFragment.Positions[0].Y属性获取文本的坐标。
9. 输出结果，或对文本进行其他操作。

代码示例

from spire.pdf import PdfDocument, PdfTextFinder, PdfTextFindOptions, TextFindParameter

# 创建一个 PdfDocument 实例
pdf = PdfDocument()

# 加载一个 PDF 文档
pdf.LoadFromFile("Sample.pdf")

textFound = False # 标志，用于检查是否找到文本
# 遍历所有页
for i in range(pdf.Pages.Count):
    # 获取一页
    page = pdf.Pages.get_Item(i)

    # 创建一个 PdfTextFinder 实例
    finder = PdfTextFinder(page)

    # 设置搜索选项
    options = PdfTextFindOptions()
    options.Parameter = TextFindParameter.WholeWord  # 搜索完整单词
    finder.Options = options

    # 查找文本
    results = finder.Find("History and Cultural Significance")
    # 检查是否找到文本
    if len(results) > 0:
        textFound = True  # 标记为已找到
        # 遍历所有结果
        for text in results:
            # 获取起始坐标
            x = text.Positions[0].X
            y = text.Positions[0].Y
            # 获取结束坐标
            x2 = text.Positions[-1].X
            print("在第 " + str(i+1) + " 页找到文本，坐标：\n" + "X: " + str(x) + "\nY: " + str(y) + "\n")
# 如果没有找到文本，打印未找到的消息
if not textFound:
    print("未找到文本。")

pdf.Close()

结果

用Python获取PDF页面指定图像的坐标位置

我们可以使用PdfPageBase.ImagesInfo属性获取指定PDF页面的图片信息列表，然后遍历列表获取，使用PdfImageInfo.Bounds.X和PdfImageInfo.Bounds.Y属性获取图片的起始坐标。此外，我们还可以使用PdfImageInfo.Image属性直接获取图片为Stream，从而进行保存、复制等操作。
以下是获取PDF图片的页面坐标位置的操作步骤示例：

1. 导入所需模块：PdfDocument。
2. 创建PdfDocument实例，使用PdfDocument.LoadFromFile()方法载入用于操作的PDF文档。
3. 使用PdfDocument.Pages.get_Item()获取指定页面页面，或循环文档所有页面循环页面。
4. 使用PdfPageBase.ImagesInfo属性获取页面的图片信息列表。
5. 判断页面是否包含图片。如果包含，则遍历图片信息列表，使用PdfImageInfo.Bounds.X和PdfImageInfo.Bounds.Y属性获取图片的起始坐标。
6. 输出结果，或对图像进行其他操作。

代码示例

from spire.pdf import PdfDocument

# 创建一个 PdfDocument 实例
pdf = PdfDocument()

# 加载一个 PDF 文档
pdf.LoadFromFile("G:/Documents/Sample.pdf")

imageFound = False  # 标志，用于指示是否找到图片
# 遍历所有页
for i in range(pdf.Pages.Count):
    # 获取一页
    page = pdf.Pages.get_Item(i)
    # 获取页面中的图片信息
    imagesInfo = page.ImagesInfo
    # 检查页面是否包含图片
    if len(imagesInfo) > 0:
        imageFound = True  # 标记为已找到图片
        # 遍历所有图片
        for j in range(len(imagesInfo)):
            # 获取图片信息
            imageInfo = page.ImagesInfo[j]
            # 获取图片的坐标
            x = imageInfo.Bounds.X
            y = imageInfo.Bounds.Y
            # 打印坐标信息
            print(f"第 {i + 1} 页的第 {j + 1} 张图片。坐标：\nX={x}, Y={y}")
# 如果没有找到任何图片，打印未找到图片的消息
if not imageFound:
    print("文档中没有图片。")
pdf.Close()

结果

本文介绍如何使用Python或PDF文档中文本和图片在页面上的坐标，从而确定其精确位置。

申请免费License