Python PdfMiner - 如何获取 pdf 中每个 word/sentence 的方向信息？

Question

目标： 我想从附件中的 PDF 中提取有关每个单词或句子方向的信息。这样做的原因是我只想让文本保持零度方向，而不是 90,180 或 270 度。

我正在使用的文档是这个：text_with_orientation.pdf .

我试过的： 我尝试的第一件事是使用参数：PDFMiner 的 LAParams 的 detect_vertical 但这对我没有帮助。

当我尝试：“detect_vertical=True”时，我从所有方向获取所有文本，但 180 度的句子（实际上是倒置的）顺序错误：

*上边第三行
上侧，第二行
这是盒子的上侧。 *

当我尝试：“detect_vertical=False”时，我正在一个接一个地从侧面获取文本，但我仍然从 180 度（实际上是倒置的）获取文本再次以错误的顺序。旁边的文字是一个一个字符。

因为我只想过滤方向为 0 度的文本，上面的 none 对我没有帮助。

用于此的代码如下：

from pdfminer.high_level import extract_pages 
from pdfminer.layout import LTTextContainer, LAParams

page_info = list(extract_pages('pdfminer/text_with_orientation.pdf' ,
                               laparams= LAParams(detect_vertical=True ) ) ) 
 
for page in page_info:
    for element in page:
        if isinstance(element, LTTextContainer): 
            print(element.get_text())

我尝试的第二件事是从最新级别的 PDF 布局 (LTChar) 获取此信息，如下所述：https://pdfminersix.readthedocs.io/en/latest/topic/converting_pdf_to_text.html#working-with-rotated-characters

这次尝试我使用的代码是下面的但不幸的是我只能得到：字体名称，字体大小和字符的坐标，而不是方向：

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LAParams , LTChar
 
page_info = list(extract_pages('pdfminer/text_with_orientation.pdf' ,
                               laparams= LAParams(detect_vertical=True ) ) ) 
for page in page_info:
    for element in page:
        if isinstance(element, LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character, LTChar):
                        print('======================')
                        print('text:',character.get_text()) 
                        print('fontname:',character.fontname[7:])
                        print('size:',character.size)   
                        print('adv:',character.adv)   # textwidth * fontsize * scaling  
                        print('matrix:',character.matrix)  
                        (_,_,x,y) = character.bbox 
                        print('x dim:',x,'and y dim:',y) 
                        print('\n')

我不想用的:

我不想使用 Tesseract，因为我已经尝试过了，结果不如使用 PDFMiner

对此有什么建议吗？

Answer 1

经过大量调查，我终于找到了一种使用 LTChar 中包含的矩阵在字符级别执行此操作的方法。

因此，为了获得所有 0 度的字符，我执行以下操作：

for page in label_pages:
    for element in page:
        if isinstance(element, LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character, LTChar):
                        if character.matrix[0]>0 :
                            print('======================')
                            print('text:',character.get_text())    
                            print('matrix:',character.matrix)     
                            (_,_,x,y) = character.bbox 
                            print('x dim:',x,'and y dim:',y) 
                            print('\n')

Python PdfMiner - 如何获取 pdf 中每个 word/sentence 的方向信息？

Python PdfMiner - How to get the info on the orientation of each word/sentence included in a pdf?

python

text-parsing

text-extraction

pdfminer

pdf-scraping