提取文本坐标时 Y 值不准确

Question

我正在使用

PyQt5.QWebEngineView

显示 pdf。目前，我正在使用

PDF.js

使用以下代码从 PDF 文档中的选定区域中提取文本坐标（基于此 question）：

from PyQt5.QtWidgets import QApplication, QMainWindow, QAction, QTextBrowser
from PyQt5.QtWebEngineWidgets import QWebEngineView
from PyQt5.QtCore import QUrl, QTimer, QEventLoop
import os


class MyWebWidgetPdf(QWebEngineView):

    def __init__(self, *args, **kwargs):
        super().__init__(*args, **kwargs)


    def contextMenuEvent(self, event):
        position_action = QAction("Position", self)
        position_action.triggered.connect(self.get_current_position)

        self.menu = self.page().createStandardContextMenu()
        self.menu.addAction(position_action)
        self.menu.popup(event.globalPos())

    def get_current_position(self):
        js_script = """
                var pageIndex = PDFViewerApplication.pdfViewer.currentPageNumber - 1; 
                var page = PDFViewerApplication.pdfViewer.getPageView(pageIndex);
                var pageRect = page.canvas.getClientRects()[0];
                var selection = window.getSelection();
                var selectionRects = selection.getRangeAt(0).getClientRects();
                var selectionRectsArray = Array.from(selectionRects);

                var selectedText = selection.toString();
                var viewport = page.viewport;
                var selected = selectionRectsArray.map(function (r) {
                    return viewport.convertToPdfPoint(r.left - pageRect.x, r.top - pageRect.y).concat(
                        viewport.convertToPdfPoint(r.right - pageRect.x, r.bottom - pageRect.y)
                    ); 
                });
                
                var result = {
                    page: pageIndex + 1, 
                    coords: selected, 
                    selectedText: selectedText
                };

                result;
            """

        result = self.execJavaScript(js_script)
        print(result)


    def execJavaScript(self, script):
        """This function executes a javascript script and returns the result.
            :param script: The script to execute.
            :return: The result of the script."""
        result = None  # initialize the result

        def callback(data):
            """This function is called when the script is executed.
                :param data: The result of the script."""
            nonlocal result  # use the result variable of the parent function
            result = data  # set the result
            loop.quit()  # quit the event loop

        loop = QEventLoop()  # create an event loop
        QTimer.singleShot(0, lambda: self.page().runJavaScript(script, callback))  # execute the script
        loop.exec()  # start the event loop
        return result  # return the result


class PDFViewer(QMainWindow):
    def __init__(self):
        super().__init__()

        self.browser = QTextBrowser()
        self.setCentralWidget(self.browser)

        self.pdf_viewer = MyWebWidgetPdf()
        self.setCentralWidget(self.pdf_viewer)
        path = "/Users/user/Desktop/3._SprengV.pdf"
        PDF = f'file:{os.path.abspath(path)}'
        self.PDFJS = 'file:////Users/user/PycharmProjects/legalref/pdfjs-3/web/viewer.html'
        self.pdf_viewer.load(QUrl.fromUserInput(f'{self.PDFJS}?file={PDF}'))


if __name__ == "__main__":
    import sys

    app = QApplication(sys.argv)
    dialog = PDFViewer()
    dialog.show()
    sys.exit(app.exec_())

我遇到一个问题，X 值是正确的，但 Y 值始终偏离很多。我用

PyMuPdf

控制了 x 和 y 值。

Answer 1

原生 PDF 内容就像 Y 方向向上的图表一样。通常“原点”位于左下角。高度通常使用点大小单位，名义上为 1/72"。

所有这些都可以通过

/UserUnit

和

C

当前

M

矩阵变换更改为不同的“向上”，如“从右到左”（右读）甚至“颠倒”。

通常（默认）我们看到信纸页的 /MediaBox 的高度为 72 x 11 = 792 个单位，但它可以是任意数量的单位，并且在打印/显示时仍然为 11 英寸高。

因此，在渲染时，“屏幕”原点被假定为左上角。许多 PDF 应用程序以这些向下的单位工作，然后在写入过程中转换为相反的方向。

在同一工作区中使用多个应用程序时，这会导致问题。但是，通过从 /Media 高度中减去当前高度并调整当前用户标量和/或位置，可以轻松解决此问题。

因此，我们可能会将 4.5 英寸高的图像放置在半高处（5.5 英寸，因此它们可以是上方 1 英寸的空隙），因此我们可以计算出它需要位于 792 - 396 - 324 =

72 Down

。