pdf2docx开发概要：解析文本样式¶

发布于：2020-07-20 | 分类：process automation

---

前文介绍了PyMuPDF提取的原始数据，即文本、图片、超链接及形状。其中文本块自带了字体、颜色、斜体、粗体等属性，但是高亮、下划线、删除线等具体样式需要进一步根据 文本和形状的位置关系 来判定。

解析思路¶

从前文可知，形状具有两重属性：几何属性决定了它作用在页面上的位置，语义属性决定了它的类型（高亮、下划线、删除线、超链接）。所谓文本样式解析，即根据文本和形状的几何属性，确定形状的语义属性。

• 依次检测文本和形状的位置，如果文本块和形状相交，则深入到line>span级别，得到该形状在span上的作用区域

• 利用形状的几何类型和位置关系判断语义属性：

  几何类型	相对位置	语义属性
  Fill	重叠	高亮
  Stroke	文本中部	删除线
  Stroke	文本底部	下划线
  Hyperlink	重叠	超链接

数据结构¶

在原始文本块数据结构的基础上，为span块新增表征解析结果的style属性：

# span
{
    "bbox": [float, float, float, float],
    "size": float,
    "flags": int,
    "font": str,
    "color": int,
    "text": str, # joined from chars
    "chars": [{...}]

    # ----- new items -----
    "style": [
        {
            "type": int,
            "color": int，
            "uri": str # hyperlink only
        }, 
        {...}
    ]            
}

以上文本属性可以直接通过python-docx提供的字体相关的API重建 ¹。