如何使用python代码查找PDF文件每一段的字体大小？

Posted 2023-03-06

【中文标题】如何使用python代码查找PDF文件每一段的字体大小？

【英文标题】：How to find the Font Size of every paragraph of PDF file using python code?

【发布时间】：2021-09-06 21:18:01

【问题描述】：

现在我正在做一个项目，我必须在该项目中找到该 PDF 文件中每个段落的字体大小。我尝试过各种 python 库，如 fitz、PyPDF2、pdfrw、pdfminer、pdfreader。所有的库都获取文本数据，但我不知道如何获取段落的字体大小。 在此先感谢..感谢您的帮助。

我已经尝试过了，但无法获得字体大小。

import fitz

filepath = '/home/user/Downloads/abc.pdf'
text = ''
with fitz.open(filepath ) as doc:
    for page in doc:
        text+= page.getText()
print(text)

【问题讨论】：

@K J 是的，段落是一堆文本，也可能包含不同的高度。但是有什么办法可以获得这些字体高度吗？？

它必须在本地运行还是可以使用具有 Python 库的云服务？

@joelgeraci 是的，我正在使用 python 库并想在本地运行它，但是我可以做些什么来从 pdffile 的文本中提取字体大小？？

好的 - 如果您需要它在本地运行，我无法帮助您。 Adobe 有一个 SaaS Extract API，可以将文本提取为段落，并为您提供每个段落的详细字体信息，包括段落中的样式。它有一个 Python SDK，但它是基于云的。

@joelgeraci 感谢您宝贵的时间和建议，但我找到了解决方案。

【参考方案1】：

我从 pdfminer 获得了解决方案。 下面给出了相同的python代码。

from pdfminer.high_level import extract_pages
from pdfminer.layout import LTTextContainer, LTChar,LTLine,LAParams
import os
path=r'/path/to/pdf'

Extract_Data=[]

for page_layout in extract_pages(path):
    for element in page_layout:
        if isinstance(element, LTTextContainer):
            for text_line in element:
                for character in text_line:
                    if isinstance(character, LTChar):
                        Font_size=character.size
            Extract_Data.append([Font_size,(element.get_text())])