即使PDF文件被裁剪後，整個頁面的內容仍然存在

Question

我在pypdf2的幫助下裁剪了一個pdf文件，但是當我嘗試從裁剪的pdf文件中提取文本時，我正在獲取整個pdf頁面的文本。我該如何解決這個問題？

裁剪PDF文件看起來是

但之後當我運行命令pdftotext out8.pdf out.txt

我得到：

內容 介紹 第一部分一國兩制

1. 的故事中的人物

2. 關注和努力

3. 懶惰控制器

4. 聯想機

5. 認知易於
6. 規範，驚喜，原因
7. 了一臺機器過早下結論
8. 如何判斷髮生
9. 回答問題更容易 第二部分。小數字的啓發式和偏見
10. 法 < 5>
11. 錨
12. 可用性
13. 可用性，情感與風險的科學
14. 湯姆·W公司的專業

產量爲應該只是

1. 故事

的字符代碼，我跑

from PyPDF2 import PdfFileWriter, PdfFileReader 
input1 = PdfFileReader(open("./data/in2.pdf", "rb")) 
output = PdfFileWriter() 

page = input1.getPage(1) 
x = page.mediaBox.getUpperRight_x() 
y = page.mediaBox.getUpperRight_y() 

page.cropBox.lowerRight = (0,331-150) 
page.cropBox.upperRight = (252,331) 
output.addPage(page) 

outputStream = open("out8.pdf", "wb") 
output.write(outputStream) 
outputStream.close() 

Answer 1

聽起來像在提取文字層的文本。 PDF可以有多個圖層 - 如果它純粹是一個圖像PDF，那麼它將只有圖像圖層，但很多圖層具有文本圖層。文字圖層可位於圖像的前面，位於圖像的後面或不可見。

除非以特殊方式準備PDF，否則文本圖層不會與圖像中顯示的文本對齊。如果您有多頁PDF，則可能會將文本拆分爲相關頁面，但不能在頁面上進行排列。

裁剪圖像時，這不會影響文本圖層。當你提取文本時，這從文本圖層抓取它是完好無損的。

爲了得到裁剪區域的文本，您需要通過OCR引擎（例如Tesseract）處理它。與Tesseract交互的python軟件包示例：pytesseract和tesserocr。

關於如何設置和運行處理一些導遊：

ocr-on-pdf-files-using-python
ocr-python-easy