提问人：Valuex 提问时间：8/18/2022 更新时间：8/18/2022 访问量：672
如何使用pdfPlumber过滤特定区域内的文本并打开CV？
How to filter text within a certain area using pdfPlumber and open CV?
问：
我有一堆来自会议论文集的pdf文件。
每个 pdf 文件的结构如下所示：
Tile with bold, large size font Author1 Author2 AuthorN Afflication1 Afflication2 AfflicationN Email1 Email2 Email3
我使用pdfPlumber选择字体大小最大的字符作为标题，它有效。
为了获取作者 - 隶属关系 - 电子邮件信息，我使用 cv2 来识别文本块，
然后过滤每个 cv2 框中的字符。
但现在它不起作用。
似乎 boxpoints 的 x/y（由 cv2 生成）与 pdfPlumber 生成的 x0/x1/top/bottom 不同。
这是我是如何做到的。任何帮助或意见将不胜感激。
def getCharsInBox(box):
left_point_x=np.min(box[:,0])
right_point_x=np.max(box[:,0])
top_point_y=np.min(box[:,1])
bottom_point_y=np.max(box[:,1])
return lambda x:((x.get("x0",0)>=left_point_x &\
x.get("x0",0)<=right_point_x &\
x.get("top",0)>=top_point_x &\
x.get("bottom",0)<=bottom_point_y))
for box in region:
filtered=page.filter(getCharsInBox(box))
pdfAAE=filtered.extract_text()
答：
1赞
Valuex
8/18/2022
#1
我想通了。
在 pdfPlumber 中，x0/x1/y0/y1 的单位,...是点，实际 1/72 英寸。这是来自pdf标准。
在 opencv 中，“单位”是像素。
所以像素在进行过滤之前需要转换为点。
另一个值得注意的一点是，即使在 corping 之后，页面对象 （pdfPlumper） 中每个字符的协调仍然基于原始页面。因此，必须减去这些滤波的 coppped x/y corrdination，如下所示：
def getCharsInBox(box):
# img.shape=[width of img, heigh of image,other]
left_point_x=np.min(box[:,0])*page.width/img.shape[1]
right_point_x=np.max(box[:,0])*page.width/img.shape[1]
top_point_y=np.min(box[:,1])*page.height/img.shape[0]
bottom_point_y=np.max(box[:,1])*page.height/img.shape[0]
return lambda x:((x.get("x0",0)>=left_point_x &\
x.get("x0",0)<=right_point_x &\
x.get("top",0)-croppedY>=top_point_x &\
x.get("bottom",0)-croppedY<=bottom_point_y))
for box in region:
filtered=page.filter(getCharsInBox(box))
pdfAAE=filtered.extract_text()
评论