Python PDF文本处理技巧 - 查找和高亮文字

已于 2024-08-05 17:02:02 修改
阅读量407 收藏 6
点赞数 9
分类专栏： Python PDF 文章标签： python 在PDF中查找文字 PDF查找和高亮文字 在PDF中搜索和高亮文字 获取PDF文本坐标位置 在PDF中查找关键字 PDF正则表达式查找
于 2024-08-05 15:45:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/nuclear2011/article/details/140921755
版权

目录

使用工具

Python在PDF中查找和高亮文字并统计出现次数和页码

Python在PDF的特定页面区域中查找和高亮文字

Python使用正则表达式在PDF中查找和高亮文字

Python在PDF中查找文字并获取它的坐标位置

其他查找条件设置

在日常工作和学习中，我们常常需要处理各种PDF文件。其中对文字内容进行查找和高亮是非常常见的需求。以工作场景为例，我们可能需要快速检索一份长篇报告中的关键信息。利用PDF的查找功能，我们能够迅速定位到相关内容，大幅提高工作效率。同时，通过高亮标注重要信息，我们能够方便地进行日后复习和回顾。这篇博客将探讨如何使用Python实现在PDF中查找和高亮文字，主要涵盖以下内容：

  • Python在PDF中查找和高亮文字并统计出现次数和页码
  • Python在PDF的特定页面区域中查找和高亮文字
  • Python使用正则表达式在PDF中查找和高亮文字
  • Python在PDF中查找文字并获取它的坐标位置
  • 其他查找条件设置

使用工具

要在Python应用程序中查找和高亮PDF中的文字，可以使用Spire.PDF for Python库。它支持在Python应用程序中创建、读取、操作和转换PDF文档。

你可以通过在终端运行以下命令来从PyPI安装Spire.PDF for Python：

pip install Spire.PDF

Python在PDF中查找和高亮文字并统计出现次数和页码

Spire.PDF for Python提供了PdfTextFinder类，用于查找PDF页面上的文字。使用该类的Find() 方法，你可以搜索特定的文字或句子。找到后，你可以为其设置高亮颜色，同时还能获取该文字在PDF文档中出现的次数以及所在的页码信息。

下面是在PDF中查找和高亮文字的具体步骤：

  • 创建PdfDocument类的实例并使用PdfDocument.LoadFromFile()加载PDF文档。
  • 初始化一个计数器来跟踪文本出现的次数以及一个列表来存储文本出现的页码。
  • 遍历PDF中的页面。
  • 为每个页面创建一个PdfTextFinder实例并将当前页面对象作为参数传入该类的构造函数。
  • 使用PdfTextFinder.Find()方法查找特定文本。该方法将返回一个PdfTextFragment对象列表，其中每个对象代表该文本在文档中的一个实例。
  • 遍历列表中的PdfTextFragment对象，使用PdfTextFragment.Highlight()方法高亮每个实例，同时递增文本出现的次数并将当前页码添加到列表。
  • 使用PdfDocument.SaveToFile()方法保存结果文档。
  • 打印文本在PDF中出现的次数和页码。

下面是在PDF中查找和高亮文字的Python代码：

from spire.pdf.common import *
from spire.pdf import *

# 创建 PdfDocument 类的对象
doc = PdfDocument()
# 加载 PDF 文件
doc.LoadFromFile("什么是python.pdf")

# 初始化一个计数器来跟踪文本出现的次数
occurrence_count = 0
# 初始化一个列表来存储页码
page_numbers = []

# 遍历文档中的页面
for i in range(doc.Pages.Count):
    page = doc.Pages[i]
    # 创建 PdfTextFinder 实例
    finder = PdfTextFinder(page)
    # 查找特定文本
    results = finder.Find("Python")
    # 遍历找到的所有实例
    for text in results:
        # 设置高亮颜色
        text.HighLight(Color.get_Yellow())
        # 递增文本出现次数
        occurrence_count += 1
        # 将页码添加到列表中
        page_numbers.append(i+1)

# 保存结果文档
doc.SaveToFile("查找和高亮文本.pdf")
doc.Close()

# 打印出现次数和页码
print(f"文本 'Python' 在 PDF 中出现了 {occurrence_count} 次。")
print(f"该文本出现在以下页码: {', '.join(map(str, page_numbers))}")

Python在PDF中查找和高亮文本并统计出现次数和页码

Python在PDF的特定页面区域中查找和高亮文字

除了在PDF文档的所有页面或特定页面中查找和高亮文字（见以上例子）以外，你还可以在特定的页面区域中查找和高亮文字。使用PdfTextFinder.Options.Area属性，你可以指定查找的页面区域。

下面是在PDF的特定页面区域中查找和高亮文字的具体步骤：

  • 创建PdfDocument类的实例并使用PdfDocument.LoadFromFile()加载PDF文档。
  • 遍历PDF中的页面。
  • 为每个页面创建一个PdfTextFinder实例并将当前页面对象作为参数传入该类的构造函数。
  • 通过PdfTextFinder.Options.Area属性指定查找的页面区域。
  • 使用PdfTextFinder.Find()方法查找特定文本。
  • 使用PdfTextFragment.Highlight()方法高亮每个找到的实例。
  • 使用PdfDocument.SaveToFile()方法保存结果文档。

下面是在PDF的特定页面区域中查找和高亮文字的Python代码：

from spire.pdf.common import *
from spire.pdf import *

# 创建 PdfDocument 类的对象
doc = PdfDocument()
# 加载 PDF 文件
doc.LoadFromFile("什么是python.pdf")

# 遍历文档中的页面
for i in range(doc.Pages.Count):
    page = doc.Pages[i]
    # 创建 PdfTextFinder 实例
    finder = PdfTextFinder(page)
    # 指定查找的页面区域
    finder.Options.Area = RectangleF(0.0, 0.0, 300.0, 300.0)
    # 查找特定文本
    results = finder.Find("Python")
    # 遍历找到的所有实例
    for text in results:
        # 设置高亮颜色
        text.HighLight(Color.get_Yellow())

# 保存结果文档
doc.SaveToFile("在页面区域中查找和高亮文本.pdf")
doc.Close()

Python使用正则表达式在PDF中查找和高亮文字

要在PDF中使用正则表达式查找和高亮文字，你首先需要将PdfTextFinder.Options.Parameter属性设置为TextFindParameter.Regex，以启用正则表达式查找。然后，你需要将正则表达式作为参数传递给Find()方法来实现基于正则表达式查找文字。

下面是使用正则表达式在PDF中查找和高亮文字的具体步骤：

  • 创建PdfDocument类的实例并使用PdfDocument.LoadFromFile()加载PDF文档。
  • 遍历PDF中的页面。
  • 为每个页面创建一个PdfTextFinder实例并将当前页面对象作为参数传入该类的构造函数。
  • 将PdfTextFinder.Options.Parameter属性设置为TextFindParameter.Regex以启用正则表达式文本查找模式。
  • 将正则表达式传递给PdfTextFinder.Find()方法来实现基于正则表达式查找特定文本。
  • 使用PdfTextFragment.Highlight()方法高亮每个匹配到的实例。
  • 使用PdfDocument.SaveToFile()方法保存结果文档。

下面是使用正则表达式在PDF中查找和高亮文字的Python代码：

from spire.pdf.common import *
from spire.pdf import *

# 创建 PdfDocument 类的对象
doc = PdfDocument()
# 加载 PDF 文件
doc.LoadFromFile("示例.pdf")

# 遍历文档中的页面
for i in range(doc.Pages.Count):
    page = doc.Pages[i]
    # 创建 PdfTextFinder 实例
    finder = PdfTextFinder(page)
    # 设置文本查找条件为使用正则表达式查找
    finder.Options.Parameter = TextFindParameter.Regex

    # 查找以符号 “#” 开头的文本
    results = finder.Find("""\\#\\w+\\b""")
    # 遍历找到的所有实例
    for text in results:
        # 设置高亮颜色
        text.HighLight(Color.get_Yellow())

# 保存结果文档
doc.SaveToFile("使用正则表达式查找和高亮文本.pdf")
doc.Close()

Python在PDF中使用正则表达式查找和高亮文本

Python在PDF中查找文字并获取它的坐标位置

在找到特定的文字后，你还可以获取它的相关信息，例如它的坐标位置。下面是在PDF中查找文字并获取它的坐标信息的具体步骤：

  • 创建PdfDocument类的实例并使用PdfDocument.LoadFromFile()加载PDF文档。
  • 遍历PDF中的页面。
  • 为每个页面创建一个PdfTextFinder实例并将当前页面对象作为参数传入该类的构造函数。
  • 使用PdfTextFinder.Find()方法查找特定文本。
  • 使用PdfTextFragment.Positions[0].X和PdfTextFragment.Positions[0].Y属性获取每个找到的实例的X和Y坐标。

下面是在PDF中查找文字并获取它的坐标位置的Python代码：

from spire.pdf.common import *
from spire.pdf import *

# 创建 PdfDocument 类的对象
doc = PdfDocument()
# 加载 PDF 文件
doc.LoadFromFile("什么是python.pdf")

# 遍历文档中的页面
for i in range(doc.Pages.Count):
    page = doc.Pages[i]
    # 创建 PdfTextFinder 实例
    finder = PdfTextFinder(page)

    # 查找特定文本
    results = finder.Find("Python")
    # 遍历找到的所有实例
    for text in results:
        # 打印当前实例的坐标信息
        print(f"文本坐标: ({text.Positions[0].X}, {text.Positions[0].Y})")        
        
doc.Close()

Python获取PDF中文字的坐标位置

其他查找条件设置

Spire.PDF for Python还支持设置其他查找条件，如不区分大小写或全词匹配。具体代码如下：

from spire.pdf.common import *
from spire.pdf import *

# 创建 PdfDocument 类的对象
doc = PdfDocument()
# 加载 PDF 文件
doc.LoadFromFile("什么是python.pdf")

# 遍历文档中的页面
for i in range(doc.Pages.Count):
    page = doc.Pages[i]
    # 创建 PdfTextFinder 实例
    finder = PdfTextFinder(page)
    # 设置文本查找条件为不区分大小写和全词匹配
    finder.Options.Parameter = TextFindParameter.IgnoreCase
    finder.Options.Parameter = TextFindParameter.WholeWord
    # 查找特定文本
    results = finder.Find("Python")
    # 遍历找到的所有实例
    for text in results:
        # 设置高亮颜色
        text.HighLight(Color.get_Yellow())

# 保存结果文档
doc.SaveToFile("其他查找条件.pdf")
doc.Close()

这篇文章介绍了使用Python在PDF中查找和高亮文字的多种不同的场景，你需要根据自己的实际情况对代码中的文档路径、待查找的文字、页面区域、或正则表达式等内容进行相应的修改。

本文完结。

nuclear2011
关注
  • 9
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Python 查找并高亮PDF中的指定文本
Eiceblue的专栏
03-13 753
本文介绍了如何使用Python在PDF文档、或在PDF某个矩形区域中快速查找并高亮指定的文本，以及如何通过正则表达式匹配符合规则的内容并高亮显示。
Python 处理 PDF 的神器 -- PyMuPDF
静觅
09-19 441
这是「进击的Coder」的第 724篇技术分享作者：冰__蓝来源：https://blog.csdn.net/ling620/article/details/120035699“ 阅读本文大概需要 13 分钟。 ”# 1、PyMuPDF简介1. 介绍在介绍PyMuPDF之前，先来了解一下MuPDF，从命名形式中就可以看出，PyMuPDF是MuPDF的Python接口形式。MuPDFMuPDF ...
用python提取PDF中各类文本内容的方法
安静的软件工程师
01-08 3533
用python提取PDF中各类文本内容的方法
python - 更改pdf中文本的字体高亮颜色(fitz模块)
老鹰的博客
03-22 675
【代码】python - 更改pdf中文本的字体高亮颜色(fitz模块)
如何使用python中的fitz模块更改pdf中的高亮颜色
wjw806[旺旺]的专栏
06-30 610
fitz模块更改pdf中的高亮颜色
使用Python标准库difflib查找文本间的差异
涛哥聊Python
02-26 1392
有时，可能需要更精细的控制差异比较的过程，例如忽略空格或者忽略大小写。可以编写自定义的比较函数，并将其传递给类。if tag!= 'equal':在这个示例中，定义了一个自定义的比较函数，它会忽略行中的空格和大小写。然后，将这个函数传递给类，用于比较文本的差异。在本文中，深入探讨了如何使用Python标准库中的difflib模块来查找文本间的差异。介绍了单行和多行文本比较的方法，生成不同格式差异报告的技巧，以及如何应用difflib模块处理代码比较和文件差异的场景。通过本文的学习，将更加熟悉。
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
m0_67844671的博客
06-01 1178
【Python--openCV图像处理】Python学习-OpenCV图像处理基础超详细的学习笔记（黑马程序员课程-B站有视频）
利用python处理pdf文本，帮我省下不少钱
2401_83703951的博客
04-13 781
“”"目标：从pdf文件中抽取出含有关键字的页面，并将这些页面合并一个新的pdf文件“”"from PyPDF2 import PdfFileReader, PdfFileWriterfrom pdfminer.pdfparser import PDFParserfrom pdfminer.pdfdocument import PDFDocumentfrom pdfminer.pdfpage import PDFPagefrom pdfminer.pdfpage import PDFTextExtracti
Python+pymupdf处理PDF文档案例6则
Python小屋
07-20 1411
推荐图书：《Python程序设计（第3版）》，（ISBN：978-7-302-55083-9），清华大学出版社，2020年6月第1次印刷，7月第2次印刷京东购买链接：https://it...
eevee:eeVee是一个用python和elementary编写的简单的pdf阅读器
06-18
这需要eeVee具备处理PDF文本内容的能力，以及实现用户界面的搜索框和高亮机制。Python的PyPDF2库可能不足以实现这一功能，可能需要结合其他库，如PDFMiner，来更全面地处理PDF的文本内容。 在eeVee的源代码包...
零基础学python.pdf
08-13
8. **字符串操作**：字符串是不可变序列，包含字符转义、连接、切片、查找和替换等操作。Python提供了丰富的字符串方法，如`len()`、`strip()`、`split()`等。 9. **列表（list）**：列表是可变序列，可以容纳不同...
Python库 | mdbridge-0.1.0-py3-none-any.whl
02-17
Python库是开发者在进行...为了更深入地了解mdbridge库的用途和具体用法，建议查看官方文档或在Python社区查找相关示例和教程。此外，持续关注库的更新和维护，以获取新的特性和性能优化，确保项目的稳定性和兼容性。
Python库 | PyMuPDF-1.18.12.tar.gz
03-09
这个库是基于MuPDF，一个轻量级、高效的PDF查看器和处理工具，由Artifex Software开发。PyMuPDF提供了一套全面的API，使得Python开发者可以方便地对PDF进行读取、解析、编辑和转换。 **1. PyMuPDF的主要功能** - *...
如何将Emacs作为Python的开发环境.pdf
09-30
将Emacs作为Python的开发环境是一项提升编程效率的明智选择，因为Emacs作为一个高度可定制的文本编辑器，提供了丰富的功能来支持Python的开发。以下是如何配置和利用Emacs进行Python编程的详细步骤： 1. **准备工作...
数据分析教程【先导片】
lmx1458070445的博客
08-05 594
数据分析的定义为研究、清理、建模和转换数据，以找到有用的信息、提出结论并支持决策。
python字符串数据容器练习（replace,split,count）
2301_79600015的博客
07-31 625
Python字符串是由一系列字符组成的数据类型。在Python中，字符串是不可变的，这意味着一旦创建了一个字符串，就不能修改它的内容。以下是关于Python字符串的一些重要知识点：1. 字符串的基本操作：拼接字符串：使用`+`运算符。重复字符串：使用`*`运算符。索引和切片：使用`[]`和`:`操作符访问字符串中的子串。长度：使用`len()`函数获取字符串长度。转换大小写：使用`upper()`和`lower()`方法。分割和连接：使用`split()`和`join()`方法。
RAG与LLM原理及实践（10）--- 完整自实现Local RAG
最新发布
talentyiyy的专栏
08-05 173
通过这节加上前面的 local RAG 搭建，你完全可以自己实现一个local RAG 模型，而不借助任何外围组件，这样的实现对你加深RAG实现的全过程有直观重要的作用。还是那句话，真正的强者不能只是浮于表面，要知其然更要知其所以然。如果想要实现分布式的vector db 存储与query，那又回到了那个问题，你需要在query 正确率，效率，数据一致性之间做权衡。并且使用类似分布式数据，元数据管理工具，cache 策略等诸多手段进行维护。
java selenium 设置代理，允许在其他环境中使用不同的IP访问
huanghm88的专栏
08-05 359
此代码以Chrome浏览器为例，如果你使用其他浏览器，你需要相应地调整代码。另外，你需要下载适用于你的操作系统的Chrome浏览器驱动，并将路径替换为。在Java Selenium中设置代理可以使用。替换为其他环境中要访问的IP地址。替换为实际的代理IP和端口，并将。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值