pdf段落分析：
使用pdfplumber包，将逐行读取的提取成段落
就一个思路：按首行缩进提取。也就是只提取首行缩进的。
如首行顶格的，另做考虑吧，先做首行缩进。
一个char的内容如下：
{
"matrix": [
0.05,
0.0,
0.0,
0.05,
122.04,
601.01
],
"fontname": "JDKKJW+KaiTi",
"adv": 319.0,
"upright": True,
"x0": 122.04,
"y0": 598.09115,
"x1": 137.99,
"y1": 614.04115,
"width": 15.950000000000003,
"height": 15.950000000000045,
"size": 15.950000000000045,
"mcid": None,
"tag": None,
"object_type": "char",
"page_number": 1,
"ncs": "DeviceRGB",
"text": "第",
"stroking_color": [
0,
0,
0
],
"stroking_pattern": None,
"non_stroking_color": [
0,
0,
0
],
"non_stroking_pattern": None,
"top": 227.85884999999996,
"bottom": 243.80885,
"doctop": 227.85884999999996
}这是一个关于PDF中文本字符信息的解释：
- 'matrix': (0.05, 0.0, 0.0, 0.05, 122.04, 601.01) - 这个矩阵表示字符的变换矩阵，用于在PDF页面上定位字符的位置和大小。
- 'fontname': 'JDKKJW+KaiTi' - 这表示字符所使用的字体名称。
- 'adv': 319.0 - 这是字符的高度。
- 'upright': True - 表示字符是直立的。
- 'x0': 122.04, 'y0': 598.09115, 'x1': 137.99, 'y1': 614.04115 - 这些是字符边界框的坐标，表示字符所在的矩形区域。
- 'width': 15.950000000000003, 'height': 15.950000000000045, 'size': 15.950000000000045 - 这些是字符的宽度、高度和大小。
- 'mcid': None, 'tag': None - 这些是与PDF标记相关的信息，通常用于结构化PDF文档。
- 'object_type': 'char' - 表示这是一个字符对象。
- 'page_number': 1 - 表示字符所在的页面编号。
- 'ncs': 'DeviceRGB' - 表示字符的颜色空间。
- 'text': '第' - 这是字符的文本内容，这里是'第'字。
- 'stroking_color': (0, 0, 0), 'stroking_pattern': None, 'non_stroking_color': (0, 0, 0), 'non_stroking_pattern': None - 这些是字符的颜色信息。
- 'top': 227.85884999999996, 'bottom': 243.80885, 'doctop': 227.85884999999996 - 这些是字符所在的矩形区域的顶部和底部位置，以及相对于整个文档顶部的位置。
这些信息描述了PDF中特定字符的位置、大小、颜色和其他属性。
示例代码：
import re
import pdfplumber
from configs.config import *
def get_text_lines(file_path):
"""
将pdf中的文本按行读取，并输出文本+首字符x轴位置信息的字典列表
:param file_path: PDF文件路径
:return:
"""
min_x0 = min_width = 99999
result = []
with pdfplumber.open(file_path) as pdf:
for page in pdf.pages:
# 获取页面上的所有字符
chars = page.chars
# 根据字符的垂直位置对它们进行分组，以重新构建段落结构
line = ""
x0 = 0
last_height = 0
last_top = None
index = 0
while True:
if index == len(chars):
break
char = chars[index]
if line == "":
# 如果line为空(上一行文字已添加完毕)，应开始添加char的位置信息
last_top = char["top"]
last_height = char["height"]
width = char["width"]
x0 = char["x0"]
if x0 < min_x0:
min_x0 = x0
if min_width > width:
min_width = width
text = char["text"]
line += text
index += 1
else:
# 无需添加char的位置信息，补充line的文本内容
if char['top'] - last_top > HEIGHT_COEFFICIENT * last_height or last_top - char['top'] > HEIGHT_COEFFICIENT * last_height: # 假设新字符与前一个字符不在同一行
if not re.match('^—[0123456789]+—$', line):
result.append({"line": line, "x0": x0})
line = ""
else:
text = char["text"]
line += text
index += 1
# 最后一行：
if not re.match('^—[0123456789]+—$', line):
result.append({"line": line,"x0": x0})
paragraph_list = []
indent = INDENT_COEFFICIENT * min_width
paragraph = ""
index = 0
while True:
if index+1 == len(result):
# 最后一行了：
if result[index]["x0"] - min_x0 > indent:
# 最后一行是缩进的：
paragraph_list.append(result[index]["line"])
else:
paragraph += result[index]["line"]
paragraph_list.append(paragraph)
break
if result[index]["x0"] - min_x0 > indent and result[index+1]["x0"] - min_x0 > indent:
# 如果该行是缩进的，下一行也缩进，那么认为是段落
paragraph = result[index]["line"]
paragraph_list.append(paragraph)
paragraph = ""
elif result[index]["x0"] - min_x0 > indent and result[index+1]["x0"] - min_x0 < indent:
# 如果该行是缩进的，下一行不是，那么先不添加
paragraph = result[index]["line"]
elif result[index]["x0"] - min_x0 < indent and result[index+1]["x0"] - min_x0 > indent:
# 本行无缩进，下一行缩进，认为段落结束，添加
paragraph += result[index]["line"]
paragraph_list.append(paragraph)
paragraph = ""
elif result[index]["x0"] - min_x0 < indent and result[index+1]["x0"] - min_x0 < indent:
# 本行无缩进，下一行无缩进，认为段落未结束
paragraph += result[index]["line"]
index += 1
return paragraph_list
if __name__ == '__main__':
file_path = r'D:\workspace\驱动及脚本\风控规章制度文档结构化\农村集体经济组织财务制度.pdf'
print(get_text_lines(file_path))