如何从 PDF 文件中提取突出显示的部分

Question

有没有办法以编程方式从 PDF 文件中提取突出显示的文本？欢迎任何语言。我找到了几个使用 Python、Java 和 PHP 的库，但没有一个能完成这项工作。

Answer 1

要提取突出显示的部分，您可以使用 PyMuPDF。这是一个与 this 一起使用的示例pdf文件：
直接下载

# Based on https://stackoverflow.com/a/62859169/562769

from typing import List, Tuple

import fitz  # install with 'pip install pymupdf'


def _parse_highlight(annot: fitz.Annot, wordlist: List[Tuple[float, float, float, float, str, int, int, int]]) -> str:
    points = annot.vertices
    quad_count = int(len(points) / 4)
    sentences = []
    for i in range(quad_count):
        # where the highlighted part is
        r = fitz.Quad(points[i * 4 : i * 4 + 4]).rect

        words = [w for w in wordlist if fitz.Rect(w[:4]).intersects(r)]
        sentences.append(" ".join(w[4] for w in words))
    sentence = " ".join(sentences)
    return sentence


def handle_page(page):
    wordlist = page.get_text("words")  # list of words on page
    wordlist.sort(key=lambda w: (w[3], w[0]))  # ascending y, then x

    highlights = []
    annot = page.first_annot
    while annot:
        if annot.type[0] == 8:
            highlights.append(_parse_highlight(annot, wordlist))
        annot = annot.next
    return highlights


def main(filepath: str) -> List:
    doc = fitz.open(filepath)

    highlights = []
    for page in doc:
        highlights += handle_page(page)

    return highlights


if __name__ == "__main__":
    print(main("PDF-export-example-with-notes.pdf"))

Answer 2

好的，经过查看，我找到了将突出显示的文本从 pdf 导出到文本文件的解决方案。不是很难：

1. 首先，使用您喜欢使用的工具突出显示文本（就我而言，我是在使用 Goodreader 应用程序在 iPad 上阅读时突出显示文本）。

2. 将您的 pdf 传输到计算机并使用 Skim（一款 pdf 阅读器，免费且易于在网络上找到）打开它

3. 在“文件”上，选择“转换笔记”并将文档中的所有笔记转换为“SKIM 笔记”。

4. 就这样：只需转到“导出”并选择“导出浏览笔记”即可。它将向您导出突出显示文本的列表。打开后，此列表可以再次导出为 txt 格式文件。

不需要做太多工作，结果非常棒。