pdfquery中子元素的条件选择

Question

我正在使用pdfquery从PDF中提取数据。 我的pdf树xml如下所示：

<LTTextLineHorizontal>
  <LTTextBoxHorizontal>Address</LTTextBoxHorizontal>
</LTTextLineHorizontal>

<LTTextBoxHorizontal>
  <LTTextBoxHorizontal>
     First-Name
  </LTTextBoxHorizontal>
  <LTTextBoxHorizontal>
     Last-Name
  </LTTextBoxHorizontal>
</LTTextBoxHorizontal>

其思想是生成一个Address First Name Last Name

然后需要根据子元素的存在来选择子元素，我不知道该怎么做。在

Answer 1

您需要使用.extract和with_parents关键字来提取子元素。文档给出了一个decent example

pdf.extract([
     ('with_parent','LTPage[page_index="1"]'),
     ('last_name', ':in_bbox("315,680,395,700")')
 ])

在本例中，您只需将搜索限制在文档的第1页。但是，您也可以使用with_parent关键字传入先前选择的结果。在

例如，在您的示例中，如果Address有子元素（street、city、zipcode），您可以首先找到Address部分，将元素存储为变量，然后使用.extract来提取子元素。如何存储和构造结果数据将取决于您的最终需求。在

地址=pdf.pdf查询（'LTTextBoxH水平：包含（“地址”）'）

^{pr2}$

在许多情况下，子对象不一定嵌套在xml树中，因此需要使用基于bbox的方法。在这种情况下，我要做的是构造一个bbox，使用“parent”作为顶部边界，下一个已知的非子对象作为底部边界，然后将其传递给.extract。请记住，bboxes是用左下角、右上角的坐标构建的。在