Python截圖PDF，在指定區(qū)域并提取文本

作者：小小明,「快學(xué)Pthon」專欄作者

先說需求：PDF文件結(jié)構(gòu)都一致，對于下圖紅框區(qū)域截圖并提取文本

測試pdfplumber庫

先試用一下pdfplumber看看能否提取出文本

import pdfplumber
with pdfplumber.open("測試文檔.pdf") as p:
    page = p.pages[0]
    print(page.extract_text())

運行結(jié)果：

Date of Test : 2020-11-05 R
Test Engineer : ? e
s
KAYSER-THREDE Contact Name : WX u
l
00 EVAluation Version: 2.1.7 sample.def ta
1 n
t
0
8
Z0
Y, 6
X, 
g] 40 1
n [ . P
o
ati20 ag
r
e e
cel  o
ac0 f J
071H 7
-20 .0; Vo = 15 / 2020-11HEAD00ead Acce 822-75
0-40 3.889 m1-0500E2ACleration -HFC
1080 /s; M = 11 RA / CFC SP 1 Res A_202
g]60 60 kg 1000ultant 0_11_
t [ 0
n 5
ulta40  13
s
e _
r0 2
2 5
00
0 F
-200 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 rid
a
time [ms] y
, 6
.1
A1
Analysis Interval:  0 - 1000 [ms] naly.202
Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g s0
cHoICn t=.  A330m7 (s5(55.64. 6-1 6 -6 .539 m.61s )m; Hs)IC =3 665 =.7 340 g7; ( c5u5.m4 .- A 636m.3s m =s 7);0 H.1I8C g15 = 307 (55.4 - 66.3 ms) is: IA  11:2
T3

試用后發(fā)現(xiàn)，pdfplumber提取對這種存在旋轉(zhuǎn)文字的pdf文字提取效果非常糟糕，即使是正常順序的位置，也出現(xiàn)了交錯現(xiàn)象。

通過PyMuPDF實現(xiàn)區(qū)域截圖和區(qū)域文字提取

官方文檔：https://pymupdf.readthedocs.io/en/latest/index.html

Github：https://github.com/pymupdf/PyMuPDF

安裝：

pip install pymupdf

截圖

先測試截取左下角的部分：

from IPython.display import oc = fitz.open("測試文檔.pdf")
page = pdfDoc[0]
mat = fitz.Matrix(1, 1)  # 1.5表示放大1.5倍
rect = page.rect
clip = fitz.Rect(0, 0.87*rect.height,
                 rect.width*0.8, rect.height)
pix = page.getPixmap(matrix=mat, alpha=False, clip=clip)
display(https://img-blog.csdnimg.cn/img_convert/4d9085e91f5bebc9cd34e7a25e3377fe.png)

- fitz.Matrix\(1, 1\)的兩個參數(shù)表示寬度和高度的放大系數(shù)，上面的截的圖較小可以通過該參數(shù)放大
- fitz.Rect有好幾種坐標模式，我選擇了\(x0, y0, x1, y1\)這種坐標模式來定位要截取的區(qū)域
- page.getPixmap傳入放大系數(shù)和區(qū)域即可獲取圖片對象，可直接獲取圖片的數(shù)據(jù)也可以寫入到文件保存起來

再測試截取右上角部分：

```python
clip = fitz.Rect(0.8*rect.width, 0.27*rect.height,
                 rect.width*0.9, rect.height)
pix = page.getPixmap(matrix=mat.preRotate(-90), alpha=False, clip=clip)
display(https://img-blog.csdnimg.cn/img_convert/a759983bd8b9da691e1572f310b673c8.png)

mat.preRotate\(-90\)實現(xiàn)了截取區(qū)域逆時針旋轉(zhuǎn)90度。

保存圖片很簡單，只需調(diào)用write.write# 文字提取

通過fitz.Rect要提取文字的區(qū)域即可：

```python
a_text = page.getText(clip=clip)
print(a_text)

1. Page of J7822-75-HFCA_2020_11_05 13_25
Head Acceleration SP 1 Resultant
11HEAD0000E2ACRA / CFC1000
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

這段文本提取的效果還不錯！

再測試一下左下角部分：

clip = fitz.Rect(0, 0.87*rect.height,
                 rect.width*0.8, rect.height)
b_text = page.getText(clip=clip)
print(b_text)

Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g
cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g
HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)
Analysis Interval:  0 - 1000 [ms]

文本行順序處理

文字的行順序似乎與原始圖片的文本順序不一致。不過我們可以借助pandas自定義排序，還原到一致的順序。

import pandas as pd

tmp = pd.DataFrame(b_text.splitlines(), columns=["a"])
tmp["b"] = (tmp.a.str[:2]).astype("category")
tmp.b.cat.set_categories(
    ['An', 're', 'vi', 'Ma', 'co', 'VC', 'ES'], inplace=True)
tmp.sort_values('b', inplace=True)
b_text = '\n'.join(tmp.a.to_list())
print(b_text)

Analysis Interval:  0 - 1000 [ms]
Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g
cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g
HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)

前5頁運行結(jié)果展示

-------------- 1 --------------

1. Page of J7822-75-HFCA_2020_11_05 13_25
Head Acceleration SP 1 Resultant
11HEAD0000E2ACRA / CFC1000
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

Analysis Interval:  0 - 1000 [ms]
Max(61 ms) = 72 g; Min(4.3 ms) = 0.04043 g
cont. A3ms(56.61 - 59.61 ms) = 65.74 g; cum. A3ms = 70.18 g
HIC = 307 (55.4 - 66.3 ms); HIC36 = 307 (55.4 - 66.3 ms); HIC15 = 307 (55.4 - 66.3 ms)

-------------- 2 --------------

2. Page of J7822-75-HFCA_2020_11_05 13_25
Head Acceleration X SP 1
11HEAD0000E2ACXA / CFC1000
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

Analysis Interval:  0 - 1000 [ms]
Max(65.5 ms) = 8.15 g; Min(52.2 ms) = -7.426 g

-------------- 3 --------------

3. Page of J7822-75-HFCA_2020_11_05 13_25
Head Acceleration Y SP 1
11HEAD0000E2ACYA / CFC1000
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

Analysis Interval:  0 - 1000 [ms]
Max(59.4 ms) = 71.87 g; Min(52 ms) = -9.89 g

-------------- 4 --------------

4. Page of J7822-75-HFCA_2020_11_05 13_25
Head Acceleration Z SP 1
11HEAD0000E2ACZA / CFC1000
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

Analysis Interval:  0 - 1000 [ms]
Max(56.5 ms) = 20.39 g; Min(63.6 ms) = -23.43 g

-------------- 5 --------------

5. Page of J7822-75-HFCA_2020_11_05 13_25
Rib Left Upper Displacement Y SP 1
11RIBSLEUPE2DSYC / CFC180
75 / 2020-11-05
0.0; Vo = 13.889 m/s; M = 1160 kg
Friday, 6.11.2020  11:23
Analysis: IAT

Analysis Interval:  0 - 1000 [ms]
Max(314.8 ms) = 0.2821 mm; Min(52.9 ms) = -33.24 mm