征集Python提取PDF文字属性的代码

Question

1.pdfplumber已经有了，不需要了
2.其他库和代码欢迎提出
3.补充：分析口径需要到每个文字、数字的所有属性，以按单个字为口径，列示所有的属性
4.理想的结果是输出这样的excel,见附图

Answer 1

如果你已经排除了使用pdfplumber，那么可以考虑使用PyMuPDF（也称为fitz）这个库来提取PDF中的文字和属性信息。PyMuPDF提供了丰富的接口来处理PDF文件，包括获取文字的字体、大小、颜色等属性。

首先，你需要安装PyMuPDF库，可以使用pip进行安装：

pip install pymupdf

以下是一个使用PyMuPDF提取PDF中文字及其属性，并将结果输出到Excel的基本示例代码：

import fitz  # PyMuPDF
import pandas as pd

# 打开PDF文件
pdf_path = 'your_pdf_file.pdf'
pdf_document = fitz.open(pdf_path)

# 创建一个空的DataFrame用于存储提取的数据
df = pd.DataFrame(columns=['Text', 'Page', 'Font', 'FontSize', 'Color'])

# 遍历PDF的每一页
for page_num in range(len(pdf_document)):
    page = pdf_document[page_num]
    # 获取页面上的文字块
    text_blocks = page.get_text("blocks")
    
    # 遍历每个文字块
    for block in text_blocks:
        # 获取文字块的属性
        text = block[4]  # 文字内容
        rect = block[0]  # 文字块的位置和大小
        font = page.get_font(rect)  # 获取字体信息
        font_size = page.get_font_size(rect)  # 获取字体大小
        color = page.get_text_color(rect)  # 获取文字颜色
        
        # 将提取的信息添加到DataFrame中
        df = df.append({
            'Text': text,
            'Page': page_num + 1,
            'Font': font,
            'FontSize': font_size,
            'Color': color
        }, ignore_index=True)

# 关闭PDF文档
pdf_document.close()

# 输出到Excel文件
excel_path = 'output.xlsx'
df.to_excel(excel_path, index=False)

print(f"提取的数据已保存到 {excel_path}")

请将your_pdf_file.pdf替换为你的PDF文件路径。这段代码会遍历PDF的每一页，提取每个文字块的内容及其属性，并将这些信息保存到一个Pandas DataFrame中。最后，DataFrame被输出到一个Excel文件。

注意，PyMuPDF可能无法获取到所有PDF中的文字属性，特别是对于一些复杂的PDF格式，可能需要更复杂的处理逻辑。此外，上述代码中的get_text_color方法可能返回的是RGB元组，你可能需要根据需要进行格式转换。

在运行代码之前，请确保你的环境中已经安装了pandas和openpyxl（用于写入Excel文件）：

pip install pandas openpyxl