如何从 PDF 文件中提取突出显示的部分

Posted 2023-03-12

【中文标题】如何从 PDF 文件中提取突出显示的部分

【英文标题】：How to extract Highlighted Parts from PDF files

【发布时间】：2012-02-24 08:24:03

【问题描述】：

有没有办法以编程方式从 PDF 文件中提取突出显示的文本？欢迎任何语言。我找到了几个包含 Python、Java 和 php 的库，但没有一个能完成这项工作。

【问题讨论】：

感谢您的回答。我还找到了另一种方法来解决这个问题：) 由 Adob​​e Reader 创建的便签很容易解析，因为便签附加到包含内容和位置信息的 pdf 文件中，但对于高光只有矩形信息我应该按位置提取文本。所以我必须为它写一些代码。作为基础库，我可以使用 PDFMiner，它提供有关文本位置的信息。

听起来相似，但不相关：read, highlight, save PDF programmatically

【参考方案1】：

好的，在查看之后，我找到了将突出显示的文本从 pdf 导出到文本文件的解决方案。不是很难：

首先，您使用您喜欢使用的工具突出显示您的文本（在我的例子中，我在 iPad 上使用 Goodreader 应用程序阅读时突出显示）。

将您的 pdf 传输到计算机并使用 Skim（pdf 阅读器，免费且易于在网络上找到）打开它

在 FILE 上，选择 CONVERT NOTES 并将文档的所有注释转换为 SKIM NOTES。

就是这样：只需转到“导出”并选择“导出脱脂注释”。它将为您导出突出显示的文本列表。打开后，此列表可以再次导出为 txt 格式文件。

没有太多工作要做，结果很棒。

【讨论】：

Skim 仅适用于 MAC。是否有 Windows 替代方案？

【参考方案2】：

要提取突出显示的部分，您可以使用PyMuPDF。这是一个适用于this pdf file的示例：

# Based on https://***.com/a/62859169/562769

from typing import List, Tuple

import fitz  # install with 'pip install pymupdf'


def _parse_highlight(annot: fitz.Annot, wordlist: List[Tuple[float, float, float, float, str, int, int, int]]) -> str:
    points = annot.vertices
    quad_count = int(len(points) / 4)
    sentences = []
    for i in range(quad_count):
        # where the highlighted part is
        r = fitz.Quad(points[i * 4 : i * 4 + 4]).rect

        words = [w for w in wordlist if fitz.Rect(w[:4]).intersects(r)]
        sentences.append(" ".join(w[4] for w in words))
    sentence = " ".join(sentences)
    return sentence


def handle_page(page):
    wordlist = page.getText("words")  # list of words on page
    wordlist.sort(key=lambda w: (w[3], w[0]))  # ascending y, then x

    highlights = []
    annot = page.firstAnnot
    while annot:
        if annot.type[0] == 8:
            highlights.append(_parse_highlight(annot, wordlist))
        annot = annot.next
    return highlights


def main(filepath: str) -> List:
    doc = fitz.open(filepath)

    highlights = []
    for page in doc:
        highlights += handle_page(page)

    return highlights


if __name__ == "__main__":
    print(main("PDF-export-example-with-notes.pdf"))