简介

本文将教你如何使用 PyMuPDF 从多栏页面中提取文本。在报纸或科学文章中，经常会遇到文本出现在多栏中的页面。

首先，我们将确保你有一个包含所有必要组件的 Python 编程环境。

对于实际的文本提取，我们将提供所需的 Python 源代码和一些 PDF 示例。当你执行这些程序时，它们将创建文本文件（不同格式），代表所选输入文件中所有页面的内容。

程序如何工作

我们提供了两个工作方式类似的程序。这两个程序都使用 PyMuPDF 或 PyMuPDF4LLM 中实现的函数循环遍历输入 PDF 的所有页面。

PyMuPDF4LLM 基于 PyMuPDF，是一个专门从事文本提取的软件包，尤其适用于 LLM / RAG 环境。在这个软件包中，识别多栏文本的方法已被解决，可以在更多的情况下使用。

准备工作

在真正开始编码之前，我们需要确保所有需要的 Python 组件都已安装。

在计算机上打开一个终端窗口。在该窗口中输入命令：

确保 Python 版本足够高。执行：

python -V

在某些机器上，如 Linux 或 Mac OSX，你可能需要写 python3 而不是 python。在下面的所有内容中，请根据你的机器要求，始终使用 python 或 python3。

回复类似 Python 3.12.3。

我们至少需要 Python 3.9.0。如果你的 Python 是 3.8.x 或更低版本，则必须先升级 Python。

具体如何操作取决于你的操作系统，因此请调查这种不幸情况的详细信息。

假设你的 Python 版本确实符合要求。接下来要确认的是，你的 Python 包含标准安装程序 "pip"。安装 PyMuPDF 和 PyMuPDF4LLM 时需要用到它。

检查终端窗口中的以下命令是否有效：

python3 -m pip –version

如果出现未安装 pip 的错误提示，你必须先安装后才能继续。如果你使用的是 MS Windows 机器，则不会出现这种情况。在 Linux 和 Mac OSX 机器上执行以下命令：

Linux（以 Ubuntu 为例）：

sudo apt update
sudo apt install python3-pip

Mac OSX：

python3 -m ensurepip --upgrade

现在，我们就可以进行所需的安装了。

在终端窗口输入以下命令。第一行将确保 Python 安装程序 pip 处于当前级别。

第 2 行将安装 PyMuPDF4LLM，如果需要，还可能安装 PyMuPDF。

python3 -m pip install --upgrade pip
python3 -m pip install pymupdf4llm

下载和执行程序

请将以下文件下载到你选择的文件夹中：

• markdowntext.py - 以 Markdown 格式提取多栏文本的程序
• 2col2tables.pdf - 有两列和两个表格的 PDF 示例。
• science-example1.pdf - 来自科学手册的 PDF 示例，有 3 列和一张图片

打开一个终端窗口，执行以下命令（再次提醒，如果需要，可以使用 python3 代替）：

python markdowntext.py 2col2tables.pdf
python markdowntext.py science-example1.pdf

脚本将为每个 PDF 文档创建与输入文件同名的 Markdown 文本文件，其中后缀名 .pdf 已被后缀名 .md 所替换。

检查代码

代码可能再简单不过了！

9  import pymupdf4llm
10 import pathlib
11 import sys
12  
13  
14 filename = sys.argv[1]  # read filename from command line
15 outname = filename.replace(".pdf", ".md")
16 md_text = pymupdf4llm.to_markdown(filename)
17  
18 # output document markdown text as one string
19 pathlib.Path(outname).write_bytes(md_text.encode())
20  

请在下面按代码行号查找注释：

• 第 9 至 11 行导入必要的 Python 软件包。
• 第 14 行从命令行读取要处理的文件名。
• 第 15 行定义输出文本文件的名称。这将等于文件名，其中文件扩展名由 Markdown 文件扩展名替换。
• 第 16 行生成实际文本。
• 第 19 行将文本写入定义的输出文件。为了支持一般的 UTF-8 编码字符集，我们将文本转换为二进制格式，并将该版本写入文件。

即使列数保持不变，上述脚本也能自动识别多页文本列。

你可以将生成的 Markdown 文本文件用于多种用途，例如

• 将其输入 LLM / RAG 流程
• 使用 Markdown 渲染器（如 GitHub、VS Code 或 react-markdown）渲染。

检查结果

让我们看看程序是如何读取示例页面的。

在文件 2col2tables.pdf 中，页面从两列开始，然后是一列区域，最后再次回到两列。

图片中的红色矩形和箭头表示提取文本的顺序。

算法检测到 5 个文本块，并发现其中两个区域有两列，一个区域只有一列。

由此确定箭头所示的整体顺序。

请注意：这两个表格是以兼容 GitHub 的 Markdown 表格格式检测和编写的。

下面是第二个示例，文件 science-example1.pdf：

这是一份科学杂志的一页，其中有三列文字，围绕着一张附有说明的图片。图片未被提取。

结论

结合 PyMuPDF 和 PyMuPDF4LLM 的强大功能，PyMuPDF4LLM 提供了广泛的创新文本提取选项，超越了 PyMuPDF 本身。

使用直观的 API，它可以检测并提取多栏页面上的文本和表格，这在杂志和报纸中是很常见的。