0%

一键导出PDF文档中的高亮文字以及笔记(Python实现)

python

需求

最近在阅读一些PDF格式的资料,经常会进行划线并做笔记,我希望这些内容在阅读结束之后能够方便地整理出来并回顾,于是探索了一下到处划线文字和笔记的方法。

首先,我去确认PDF阅读器是否提供了需要的功能。以Foxit Reader为例,它的确提供了评论导出的功能,但是有局限性:

  • 只能导出高亮的文字到文本文件
  • 笔记内容只能导出到.fdf格式,这就需要后续处理 而我希望的功能是将高亮文字以及其对应的笔记导出到文本文件,或者上传到某个App的云端。因此,我决定自己去实现,并在网上找了一些已有的Python模块看是否能满足功能。

工具

PyPDF2

这是很常见的操作PDF文档的Python库,可以提供文档读写、编辑、剪裁、加密解密等功能。如果利用一些比较底层的API,还可以操作文档中的评论,比如:

1
2
3
4
5
6
7
8
9
from PyPDF2 import PdfFileReader
pypdf_doc = PdfFileReader(open('test.pdf', "rb"))
pypdf_page = pypdf_doc.getPage(0)
if '/Annots' in pypdf_page:
print("Page comments num: %d" % len(pypdf_page["/Annots"]))
for annot in pypdf_page['/Annots'] :
subtype = annot.getObject()['/Subtype']
if subtype == "/Highlight":
print(annot.getObject()['/Contents'])

上面这段代码可以读取一个PDF文档中某一页的所有评论(弹出框中的笔记),但是不包含被高亮的文字。事实上,PDF文档并没有特意保存高亮文字的信息,而只是在文档的特定位置画出特定样式的矩形框而已。对于PyPDF2,我也没有找到提取高亮文字的方案。

PyMuPDF

于是我又找到并尝试了PyMuPDF库。这个库正好补充了PyPDF2的不足:它可以巧妙地分析出高亮矩形框的位置,并读取其中的文字:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
import fitz
mupdf_doc = fitz.open('test.pdf')
mupdf_page = mupdf_doc.loadPage(0)
wordlist = mupdf_page.getText("words") # list of words on page
wordlist.sort(key=lambda w: (w[3], w[0])) # ascending y, then x
for annot in mupdf_page.annots():
# underline / highlight / strikeout / squiggly : 8 / 9 / 10 / 11
if annot.type[0] == 8:
print(_parse_highlight(annot, wordlist))

def _parse_highlight(annot, wordlist)
points = annot.vertices
quad_count = int(len(points) / 4)
sentences = ['' for i in range(quad_count)]
for i in range(quad_count):
r = fitz.Quad(points[i * 4: i * 4 + 4]).rect
words = [w for w in wordlist if fitz.Rect(w[:4]).intersects(r)]
sentences[i] = ' '.join(w[4] for w in words)
sentence = ' '.join(sentences)
return sentence

该工具集成于fitz库中,需要先安装fitz。从上面代码可以看出,本质上,提取高亮的文字还是需要获取高亮矩形框的位置和大小,并从中提取单词,最后拼接成句。遗憾的是,该库反而没有提供比较好的获取弹窗中笔记评论的方法(可能是我没找到😂)。不过这已经与PyPDF2工具形成互补了。

两种工具结合,我就写出了一个初步的自定义工具。该工具读取一个PDF文档,并提取出每一页中的高亮文字和笔记评论。详细代码见这里

后续的工作可以包括格式化输出笔记内容,将结果保存至云端(如印象笔记)等。

其他工具

我还探索了其他工具比如Python Poppler。从代码看,似乎提取注释的功能更优雅简洁,但是这个库的安装过程比较麻烦,并对系统有一定要求。感兴趣的朋友可以尝试一下。另外,如果有人发现了更简洁的方式满足上面的需求,欢迎留言讨论!

参考