PDF文件的文本层“提取”、“写入”都是比较容易实现的，比如下面就是提取的python代码：
from pathlib import Path
from typing import Iterable, Any
from pdfminer.high_level import extract_pages
def show_ltitem_hierarchy(o: Any, depth=0):
"""Show location and text of LTItem and all its descendants"""
if depth == 0:
print('element x1 y1 x2 y2 text')
print('------------------------------ --- --- --- ---- -----')
print(
f'{get_indented_name(o, depth):<30.30s} '
f'{get_optional_bbox(o)} '
f'{get_optional_text(o)}'
)
if isinstance(o, Iterable):
for i in o:
show_ltitem_hierarchy(i, depth=depth + 1)
def get_indented_name(o: Any, depth: int) -> str:
"""Indented name of LTItem"""
return ' ' * depth + o.__class__.__name__
def get_optional_bbox(o: Any) -> str:
"""Bounding box of LTItem if available, otherwise empty string"""
if hasattr(o, 'bbox'):
return ''.join(f'{i:<4.0f}' for i in o.bbox)
return ''
def get_optional_text(o: Any) -> str:
"""Text of LTItem if available, otherwise empty string"""
if hasattr(o, 'get_text'):
return repr(o.get_text().strip())
return ''
path = Path(r"C:\Users\xxx\Desktop\武器和战争的演变.pdf").expanduser()
pages = extract_pages(path)
show_ltitem_hierarchy(pages)
我这里上传一页双层PDF，武器和战争的演变.pdf (53.8 KB) ，它的运行结果如下，有文字，也有每行、每个字的坐标位置。
武器和战争的演变 OCR文字层（文本和坐标）.txt (47.2 KB)
element x1 y1 x2 y2 text
------------------------------ --- --- --- ---- -----
generator
LTPage 0 0 392 576
LTTextBoxHorizontal 77 466 334 476 '尽管最初铁的造价十分昂贵，而且产量有限，但是，铁的'
LTTextLineHorizontal 77 466 334 476 '尽管最初铁的造价十分昂贵，而且产量有限，但是，铁的'
LTChar 77 466 88 476 '尽'
LTChar 88 466 98 476 '管'
LTChar 98 466 108 476 '最'
LTChar 108 466 118 476 '初'
LTChar 118 466 129 476 '铁'
LTChar 129 466 139 476 '的'
LTChar 139 466 149 476 '造'
LTChar 149 466 159 476 '价'
LTChar 159 466 170 476 '十'
LTChar 170 466 180 476 '分'
LTChar 180 466 190 476 '昂'
LTChar 190 466 201 476 '贵'
LTChar 201 466 211 476 '，'
LTChar 211 466 221 476 '而'
LTChar 221 466 231 476 '且'
LTChar 231 466 242 476 '产'
LTChar 242 466 252 476 '量'
LTChar 252 466 262 476 '有'
LTChar 262 466 272 476 '限'
LTChar 272 466 283 476 '，'
LTChar 283 466 293 476 '但'
LTChar 293 466 303 476 '是'
LTChar 303 466 314 476 '，'
LTChar 314 466 324 476 '铁'
LTChar 324 466 334 476 '的'
LTAnno ''
LTTextBoxHorizontal 57 451 335 460 '发现毕竟给古代兵器和战争带来了巨大的影响。到了公元前'
LTTextLineHorizontal 57 451 335 460 '发现毕竟给古代兵器和战争带来了巨大的影响。到了公元前'
LTChar 57 451 68 460 '发'
LTChar 68 451 79 460 '现'
LTChar 79 451 89 460 '毕'
LTChar 89 451 100 460 '竟'
LTChar 100 451 111 460 '给'
LTChar 111 451 121 460 '古'
LTChar 121 451 132 460 '代'
LTChar 132 451 143 460 '兵'
LTChar 143 451 153 460 '器'
LTChar 153 451 164 460 '和'
LTChar 164 451 175 460 '战'
LTChar 175 451 186 460 '争'
LTChar 186 451 196 460 '带'
LTChar 196 451 207 460 '来'
LTChar 207 451 218 460 '了'
LTChar 218 451 228 460 '巨'
LTChar 228 451 239 460 '大'
LTChar 239 451 250 460 '的'
LTChar 250 451 260 460 '影'
LTChar 260 451 271 460 '响'
LTChar 271 451 282 460 '。'
……
这些数据拿到，当然可以反向操作，把文字按照坐标位置一一写入pdf。网上的示例程序多得很，我就不继续罗嗦了。