PyMuPDF中rawdict文本提取异常的技术分析与解决方案

问题背景

PyMuPDF作为Python中强大的PDF处理库，提供了多种文本提取方法。近期有用户反馈在1.25.3版本中，使用get_text('rawdict')方法时出现了部分页面内容缺失的问题，而其他提取方式如'words'、'text'等却能正常获取全部内容。这种情况在之前的版本(如1.22.X)中并未出现。

技术分析

rawdict方法特性

rawdict是PyMuPDF提供的一种结构化文本提取方式，它会将PDF内容解析为包含多层嵌套结构的字典：

• 顶层包含页面blocks列表
• 每个block包含lines列表
• 每条line包含spans列表
• 每个span包含chars列表

这种结构化的输出便于开发者精确控制文本提取和处理逻辑。

问题根源

经过技术分析，该问题主要源于PDF文件中使用了质量较差的字体。在PyMuPDF 1.25.3版本中，默认启用了quad校正机制，这会导致某些特殊字符(如逗号)在rawdict提取时被错误处理。

解决方案

PyMuPDF提供了两种解决方式：

方法一：禁用quad校正

import pymupdf
pymupdf.TOOLS.unset_quad_corrections(True)  # 禁用quad校正

设置后，所有文本提取操作都需要显式指定TEXT_ACCURATE_BBOXES标志位。

方法二：使用准确边界框标志

blocks = page.get_text("rawdict", flags=pymupdf.TEXT_ACCURATE_BBOXES)["blocks"]

完整示例代码：

import pymupdf

# 解决方案配置
pymupdf.TOOLS.unset_quad_corrections(True)
doc = pymupdf.open("problem.pdf")
page = doc[0]

# 使用准确边界框提取文本
blocks = page.get_text("rawdict", flags=pymupdf.TEXT_ACCURATE_BBOXES)["blocks"]

# 提取所有字符并统计逗号数量
chars = [
    c
    for b in blocks
    if b["type"] == 0
    for l in b["lines"]
    for s in l["spans"]
    for c in s["chars"]
]
comma_count = len([c for c in chars if c["c"] == ","])

# 验证提取结果
text_content = page.get_text()
text_comma_count = text_content.count(",")
print(f"rawdict提取逗号数: {comma_count}, 文本提取逗号数: {text_comma_count}")

技术建议

1. 字体处理：对于包含特殊字符的PDF，建议预先检查字体质量
2. 版本兼容：升级PyMuPDF时，应注意文本提取相关配置的变化
3. 混合使用：可以结合使用rawdict和其他提取方法，相互验证结果
4. 可视化调试：使用draw_rect方法绘制字符边界框，辅助调试提取问题

总结

PyMuPDF的rawdict提取方式提供了丰富的文本结构信息，但在处理特殊字体时可能需要额外配置。通过禁用quad校正或使用准确边界框标志，可以有效解决这类提取不完整的问题。开发者在处理复杂PDF文档时，应当根据实际需求选择合适的文本提取策略。