利用python搜索PDF文件中是否存在1

Question

PDF中有两种1，一种是带底下横线的，一种不带底下横线的，现在需要找出哪些PDF中有不带底线横线的1。
样例已经上传，是pdf文件上截图下来的

Answer 1

参考免费微信小程序：皆我百晓生 作答，经由专家-皆知整理回复，如问题解决，望采纳；如仍有疑问，请评论回复。

要解决这个问题，我们可以使用Python的PyMuPDF（也称为fitz）库来读取PDF文件并检查文本内容。这个库允许我们提取文本及其位置信息，从而区分带底线的1（通常是小写L）和不带底线的1。以下是详细的步骤和示例代码：

安装所需库

首先，确保安装了PyMuPDF库。可以通过pip安装：

pip install pymupdf

检查PDF中的不带底线的1

接下来，编写一个Python脚本来遍历PDF中的文本，并检查是否存在不带底线的1。这里的关键在于通过文本的位置和形状判断是否为带底线的1（小写L）。

import fitz  # PyMuPDF

def find_unlined_ones_in_pdf(pdf_path):
    """
    检查给定PDF文件中是否存在不带底线的1。
    
    :param pdf_path: PDF文件路径
    :return: 如果找到不带底线的1则返回True，否则返回False
    """
    found_unlined_one = False
    
    # 打开PDF文件
    doc = fitz.open(pdf_path)
    
    # 遍历每一页
    for page in doc:
        # 提取页面上的文本及其位置信息
        text_instances = page.get_text("words")  # "words"模式提供单独单词及其位置
        
        for inst in text_instances:
            # 检查当前文本实例是否为数字1且不位于其他字符下方（假设底线1会比普通1低）
            if inst[4] == '1' and not is_below_line(inst):  # inst[4]存储的是文本内容
                found_unlined_one = True
                break  # 找到后立即跳出循环
        
        if found_unlined_one:
            break  # 在任何页面找到后，跳出文档循环
    
    doc.close()  # 关闭文档
    return found_unlined_one

def is_below_line(text_instance):
    """
    简化的逻辑判断当前文本是否可能在一条线（底线）之下。
    实际应用中可能需要更复杂的逻辑来准确判断。
    
    :param text_instance: 从fitz.get_text("words")得到的文本实例
    :return: 如果文本可能在一条线之下则返回True，否则返回False
    """
    # 假设底线1会有更低的y坐标（fitz使用从下往上的坐标系）
    # 这里只是一个示例，实际情况可能需要根据字体大小、基线等调整
    baseline_threshold = 5  # 一个假设的阈值，用于判断是否为底线
    return text_instance[3] > baseline_threshold  # [3]是基线位置

# 使用示例
pdf_file_path = "your_pdf_file.pdf"
if find_unlined_ones_in_pdf(pdf_file_path):
    print("存在不带底线的1。")
else:
    print("未找到不带底线的1。")

这段代码首先定义了一个函数find_unlined_ones_in_pdf来遍历PDF中的每个页面和文本实例，使用is_below_line函数简单判断文本是否可能带有底线。请注意，这里的is_below_line函数仅作为示例，实际应用中可能需要更精确的方法来区分1和小写L，特别是对于不同字体和排版样式。此外，由于PDF的复杂性，这个方法可能不是100%准确，但对于大多数情况应该足够使用。