从XML或PDF格式的下一个同级中提取PyQuery和PDFQuery文本

Question

我正在尝试使用PDFQuery包从PDF中提取信息。信息不是每次都在同一个位置，所以我需要一个查询标签。首先，我编写了函数：

def clean_text_data(text):
      return text.split(':')[1]

然后我编写了一个函数来提取文本：

Date = clean_text_data(pdf.pq('LTTextLineHorizontal:contains("Date")').text())

然而，问题是（出于某种原因）几乎所有的数据都在下一个“LTTextHorizontal”上

XML如下所示：

<LTTextLineHorizontal bbox="[58.501, 377.094, 78.501, 385.094]" height="8.0" width="20.0" word_margin="0.1" x0="58.501" x1="78.501" y0="377.094" y1="385.094"><LTTextBoxHorizontal bbox="[58.501, 377.094, 78.501, 385.094]" height="8.0" index="39" width="20.0" x0="58.501" x1="78.501" y0="377.094" y1="385.094">Date: </LTTextBoxHorizontal></LTTextLineHorizontal>
<LTTextLineHorizontal bbox="[107.249, 377.334, 147.281, 385.334]" height="8.0" width="40.032" word_margin="0.1" x0="107.249" x1="147.281" y0="377.334" y1="385.334"><LTTextBoxHorizontal bbox="[107.249, 377.334, 147.281, 385.334]" height="8.0" index="40" width="40.032" x0="107.249" x1="147.281" y0="377.334" y1="385.334">02/26/2020 </LTTextBoxHorizontal></LTTextLineHorizontal>

这里的日期是2020年2月26日，但它在紧接着的方框中。如何创建一个函数来提取以下框

Answer 1

你可以这样做：

label = pdf.pq('LTTextLineHorizontal:contains("Date")')
    left_corner = float(label.attr('x0'))
    bottom_corner = float(label.attr('y0'))

在第一部分中，我将查找包含“Date”的PDF区域，并提取其边界框的源坐标，因此x0:y0对应于写入“Date”的位置的左下角

    name = pdf.pq('LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (
        left_corner, bottom_corner - 12, left_corner + 350, bottom_corner)).text()

之后，我偏移这些坐标以创建一个新的bbox，它包含我实际查找的信息，我得到它的.text()

坐标以点为单位进行偏移，可以使用Acrobat标尺进行测量

来源如下：https://pypi.org/project/pdfquery/#quick-start

《快速入门指南》有一个非常好的例子