python - 阅读 pdf 忽略页眉和页脚

Question

我有一个 pdf 文件，正在使用 pymupdf 使用以下语法阅读。

import fitz  # this is pymupdf

with fitz.open('file.pdf') as doc:

    text = ""
    for page in doc:
        text += page.getText()

有没有办法在阅读时忽略页眉和页脚？

我尝试将 pdf 转换为 docx，因为删除标题更容易，但是当我将其转换为 docx 时，我正在处理的 pdf 文件会重新格式化。

pymupdf 在读取过程中有什么方法可以做到这一点吗？

Answer 1

文档中有一个页面专门讨论此问题。

1. 定义省略标题的矩形
2. 使用 page.get_textbox(rect) 方法。

来源：https://github.com/pymupdf/PyMuPDF-Utilities/tree/master/textbox-extraction#2-pageget_textboxrect

适用于大多数 pdf 库的通用解决方案是

1. 检查 pdf 文件中页眉/页脚部分的大小
2. 循环文档中的每个文本并检查其垂直位置

Answer 2

正如官方文档所说，你可以使用

clip

参数来做到这一点：

doc = fitz.open(fname)
page = doc[0]
rect = page.rect
height = 50
clip = fitz.Rect(0, height, rect.width, rect.height-height)
text = page.get_text(clip=clip)