pdf2docx开发概要：解析段落

发布于：2020-08-27 | 分类：process automation

经过表格解析后，我们得到了整合的块元素：文本/图片块TextBlock和表格块TableBlock。其中文本/图片块将被重建为段落，表格块将被重建为表格，单元格内的块元素按照相同的逻辑进行递归处理。在此基础上，计算相邻元素之间的间距，例如竖直方向的前后段间距、水平方向的段落缩进。

竖直方向定位：段间距

块级元素之间通过间距确定相对位置关系。由于Word中 段落具有段前/段后间距属性，文本块将被作为定位的参考元素。

竖直间距确定原则：

  • 考察竖直方向上相邻的两个块级元素，前一个是参考块，后一个是当前块。对于第一个块级元素，参考块是上边距，当前块即为自身。

  • 如果当前是文本块或者图片块（不论参考块是文本、图片还是表格），则设置当前块的段前间距before_space为二者之间垂直距离。

  • 如果当前块是表格块，则考察参考块：

    • 如果参考块是文本块或者图片块（此时当前块为表格），则设置参考块的段后距离after_space
    • 如果参考块还是表格块，则设置当前块的段前间距before_space

注意

  • docx中无法直接设置两个表格的间距，创建表格时采用变通方式：在间距中插入空文本块，然后设置该文本块的段前间距。
  • 如果表格在末尾，MS Word会自动加一个标准间距的空段落，这样可能导致非预期的换页。因此，此种情况注意人为添加一个空段落并设置其为最小的间距值，例如前后零间距，行高1磅。

竖直方向定位：行间距

已知块的高度和内部行数，容易计算得到平均行距。Word中有两种设置行间距的方式：

  • 固定值：直接设置为计算出的平均行距，优点是定位精确，缺点是不会随着字号的变化而改变，不利于编辑。例如一旦增大字号，则有可能导致该行文本显示不全。

  • 倍数行距：与单倍行距的比值，优缺点刚好与固定行距相反。

综合来看，倍数行距有更好的适应性，v0.5.2版开始启用倍数行距。

注意，倍数行距并非行高与字号的简单比值或者流传的1.2倍的比例关系，而是 与具体字体相关。单开一篇介绍倍数行距计算问题：

此坑待填...

水平方向定位：对齐方式与缩进

水平方向从内部（块内元素Line的对齐关系）和外部（页面中的位置）两个方面确定对齐方式：左/居中/右/分散对齐。其中左对齐为默认方式，因为结合段落左缩进和制表符，总能正确定位任何块间元素。

内部对齐关系：行与行之间位置关系

  • 如果块内有不连续的行（相邻line存在明显的间距），则设为左对齐，以便结合制表符定位
  • 如果只有一行，则参考外部对齐关系
  • 判断各行左边距、右边距、中心距离差值是否小于指定值，即是否对齐：
    • 左、右都对齐：如果行数不少于3行，则为分散对齐，否则不能确定，需要进一步参考 外部对齐关系；
    • 否则，依次按左对齐、右对齐、中心对齐判断下去

注意

  • 判断左对齐时注意排除第一行，因为第一行可能缩进或悬挂缩进；如果满足左对齐，计算第一行的缩进量（负值表示悬挂缩进）。
  • 判断右对齐时注意排除最后一行，目的是考虑分散对齐——最后一行可能不满，但依旧满足分散对齐

外部对齐关系：块在页面中的位置

分别计算块与页面的边距：左边距、右边距、中心距离差值，然后顺序判断

  • 块中心与页面中心差值很小 -> 居中对齐
  • 依次判断左、右边距差值，哪个差值小即为相应对齐方式

最后，创建docx时通过设置段落的左/右缩进和对齐方式来实现。并且，左对齐方式还要通过 制表位 来保证段落内不同行的水平位置。

重建docx时的一些优化处理

  • 同时设置左、右边距将严格限定段落的水平位置，可能导致意外的换行。因此，可以适当放宽“对面”的间距：左对齐时放宽（减小）右边距，右对齐放宽左边距，居中对齐则同时放宽左、右边距。
  • 如果只有一行，则将这个放宽放到极限，即设置相应边距等于0。

文本样式

以上解析结果确定了段落在页面中的位置和呈现样式，接下来深入到段内文本。PyMuPDF提取的原始文本块自带了字体、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。

具体参考下文：

pdf2docx开发概要：解析文本样式

数据结构

综上，文本块TextBlock在标准Block数据结构（Line->Span->Char）的基础上，引入了如下定位相关属性：

# text block
{
    "type": 0,
    "bbox": [float, float, float, float],

    # ----- vertical spacing -----
    "before_space": float,
    "line_space": float,
    "after_space": float

    # ----- horizontal spacing -----
    "alignment": int,
    "left_space": float,
    "right_space": float,
    "first_line_space": float,
    "tab_stops": [float, float, ...],

    "lines": [
        {
            "bbox": [float, float, float, float],
            "wmode": int,
            "dir": [float, float],
            "line_break": int, # new property
            "tab_stop": int,   # new property
            "spans": [
                {
                    "bbox": [float, float, float, float],
                    "color": int,
                    "font": str,
                    "size": float,
                    "flags": int,
                    "text": str,
                    "chars": [{
                        "bbox": [float, float, float, float],
                        "c": str
                    }]
                }
            ]
        }
    ]
}