PyMuPDF处理旋转PDF页面时的文本提取技巧

问题背景

在使用PyMuPDF进行PDF文本提取时，开发者可能会遇到一个看似异常的现象：从视觉上明显位于不同行的文本，在提取结果中却显示相同的Y坐标值。这种情况通常发生在处理带有页面旋转属性的PDF文档时。

技术原理

PDF文档中的页面可以设置旋转属性（常见的有90°、180°、270°旋转）。PyMuPDF在提取文本时，默认会返回相对于原始未旋转页面的坐标值。这意味着：

1. 对于旋转90°的页面，实际视觉上的"行"在坐标系中表现为"列"
2. 提取的Y坐标对应的是旋转前页面的X轴方向
3. 视觉上的垂直排列在提取结果中会表现为水平坐标相同

解决方案

PyMuPDF提供了remove_rotation()方法来处理这种情况：

page = pdf_document[1]
page.remove_rotation()  # 移除页面旋转属性

移除旋转后，文本提取的坐标将与视觉表现一致。完整的处理流程建议：

1. 先检查页面是否有旋转：page.rotation
2. 如需保持视觉一致性，调用remove_rotation()
3. 再进行文本提取操作

最佳实践

对于需要精确获取文本位置的应用场景，建议：

1. 明确处理旋转页面：要么统一移除旋转，要么在后续处理中考虑旋转因素
2. 对于多页文档，注意不同页面可能有不同的旋转设置
3. 使用排序功能确保文本顺序正确：

spans.sort(key=lambda s: (s["origin"][1], s["origin"][0]))  # 先按Y后按X排序

性能优化

原问题中提到的page.clean_contents()在纯文本提取场景中通常不需要，它会：

• 增加处理时间
• 可能改变文档原始结构
• 只在需要优化显示或修复损坏文档时才建议使用

总结

理解PDF页面旋转属性对文本提取的影响是处理复杂PDF文档的关键。PyMuPDF提供了灵活的API来处理这些情况，开发者应根据实际需求选择是否移除旋转属性。对于需要精确定位的文本提取任务，建议总是先处理页面旋转属性，以确保坐标数据的直观性和可用性。